卷积层输出特征图大小公式

假设输入图像大小为 $W_1 \times H_1$，卷积核大小为 $F \times F$，步长为 $S$，填充大小为 $P$，输出特征图大小为 $W_2 \times H_2$，则有以下公式：

$$W_2 = \left\lfloor \frac{W_1 - F + 2P}{S} \right\rfloor + 1$$

$$H_2 = \left\lfloor \frac{H_1 - F + 2P}{S} \right\rfloor + 1$$

其中 $\lfloor \rfloor$ 表示向下取整。

相关问题

一维卷积神经网络卷积层输出参数数量计算公式

一维卷积神经网络（1D Convolutional Neural Network，简称1DCNN）的卷积层输出参数的数量取决于几个因素：

1. 输入特征图的数量（Input Channels）：假设输入有`C_in`个通道。
2. 卷积核的数量（Number of Filters 或 Output Channels）：即你想要学习到的特征数量，设为`F_out`。
3. 卷积核的大小（Kernel Size）：通常是宽度，设为`K`。
4. 步长（Stride）：步长决定了每次移动卷积核的距离，设为`S`。
5. 要卷积的区域大小（Padding 或 Input Width），如果使用填充（Pad），则输入宽度保持不变；如果不填，则会根据卷积核大小和步长调整。

卷积操作的输出高度（Height）通常由输入的高度减去卷积核大小再除以步长并向上取整得到，但在这里我们只关心宽度，因为1D CNN只有一个维度。

输出参数（Filter Weights）的数量计算公式是：

Output Parameters = F_out * C_in * K

这个公式表示每个滤波器（每个输出通道）都会学习到`C_in * K`个权重参数。

卷积层输出大小尺寸计算

在卷积神经网络中，卷积层输出的大小取决于输入的大小、卷积核的大小、步长和填充。

假设输入大小为 $W_1 \times H_1 \times D_1$，卷积核大小为 $F \times F$，步长为 $S$，填充为 $P$，输出的大小为 $W_2 \times H_2 \times D_2$。

输出的宽度 $W_2$ 可以用以下公式计算：

$$W_2 = \frac{W_1 - F + 2P}{S}+1$$

输出的高度 $H_2$ 可以用以下公式计算：

$$H_2 = \frac{H_1 - F + 2P}{S}+1$$

输出的深度 $D_2$ 取决于卷积核的数量，即卷积层的滤波器数量。

例如，如果输入大小为 $28 \times 28 \times 3$，卷积核大小为 $5 \times 5$，步长为 $1$，填充为 $2$，有 $32$ 个卷积核，则输出大小为 $28 \times 28 \times 32$。