特征图大小的计算

卷积中的特征图大小计算方式有两种，分别是‘VALID’和‘SAME’，卷积和池化都适用，卷积除不尽的结果都向下取整，池化除不尽的结果都向上取整。

 

1.如果计算方式采用'VALID'，则：

其中为输出特征图的大小，为输入特征图的大小，F为卷积核大小，stride为卷积步长。

2.如果计算方式采用'SAME'，输出特征图的大小与输入特征图的大小保持不变，

其中padding为特征图填充的圈数。

若采用'SAME'方式，kernel_size=1时，padding=0；kernel_size=3时，padding=1；kernel_size=5时，padding=3，以此类推。

 

例题：

输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为：97

解析：

 

一层卷积 ：

 

注意：这里卷积是向下取整的

池化：

 

二层卷积：

 

计算尺寸不被整除只在GoogLeNet中遇到过。卷积向下取整，池化向上取整。

例如：本题 （200-5+2*1）/2+1 为99.5，取99

        （99-3）/1+1 为97

        （97-3+2*1）/1+1 为97

研究过网络的话看到stride为1的时候，当kernel为 3 padding为1或者kernel为5 padding为2 一看就是卷积前后尺寸不变。

计算GoogLeNet全过程的尺寸也一样。