【圖解】神經網絡各種層的輸入輸出尺寸計算

【圖解】神經網絡各種層的輸入輸出尺寸計算

看到網上有很多計算神經網絡各種層的輸入輸出尺寸的公式，但是往往只是直接給出公式，並沒有教給我們如何得到這種公式的，自己學習的時候，做一下記錄以及圖解

卷積層

首先給出公式，這裏肯定假設輸入圖像是等寬高的，用到的字母如下：

字母名稱	含義
$I$	輸入圖片的大小爲 $I\times I$
$K$	卷積核的大小爲$K\times K$
$P$	padding爲$P$
$S$	步長爲$S$

則輸出圖像的尺寸爲$O\times O$,其中
$O = \frac{I + 2P-K}{S} + 1$
具體是怎麼得到這個公式的呢，我們下面舉個具體的例子。比方說輸入尺寸爲$5\times5$，卷積核大小爲$3\times3$，padding爲1，步長爲2。
原始圖像爲：

卷積的兩種padding方式：
same的意思是，這個same的意思是輸出的尺寸和輸入的尺寸一樣，這就要求，步長爲1，
$P=\frac{I-1}{2}$
valid的意思是，不補零，輸出尺寸會變小。

池化層

由於池化操作也是滑動窗口的方式，因此和卷積層的參數計算方式是一樣的。

全連接層

全連接層的輸入輸出是固定的，指定多少就是多少。