输入数据大小为6*128，卷积核大小为1*9，步长为2，卷积核数量为32，为何特征图大小为6*64*32，如何计算的

特征图大小为6*64*32是因为输入数据大小为6*128，卷积核大小为1*9，步长为2，卷积核数量为32时，每个卷积核在水平方向上可以滑动的次数为(128-9)/2+1=60次，因此每个卷积核在水平方向上可以生成60个特征图，而卷积核数量为32，因此总共可以生成32*60=1920个特征图。每个特征图的大小为6*64，因此最终的特征图大小为6*64*32。计算公式为：特征图大小 = (输入数据大小 - 卷积核大小) / 步长 + 1 * 卷积核数量。

相关问题

输入数据大小为6*64，卷积核大小为1*5，步长为2，卷积核数量为32，特征图大小为6*32*32如何计算的

根据输入数据大小为6*64，卷积核大小为1*5，步长为2，卷积核数量为32，可以计算出特征图大小为6*32*32。具体计算方法为：首先，输入数据经过卷积核后，每个卷积核会生成一个特征图，而卷积核数量为32，因此会生成32个特征图。其次，每个卷积核在进行卷积操作时，每次移动的步长为2，因此特征图的大小会根据步长进行缩小，而输入数据的大小为6*64，经过卷积核后，特征图的大小为6*32*32。

将维度为1000*200的数据输入到卷积核数量为128，卷积核大小为16，步长为1的卷积层中，输出的参数维度是多少

假设输入数据的维度为Batch_Size * Sequence_Length * Embedding_Dim = B * L * 1000，其中Batch_Size为批大小，Sequence_Length为序列长度，Embedding_Dim为每个词的嵌入维度。卷积核数量为128，卷积核大小为16，步长为1，padding方式为same。

经过卷积层后，输出数据的维度为Batch_Size * (L - K + 2P) / S + 1 * Conv_Dim = B * (L - 16 + 2*8) / 1 + 1 * 128 = B * (L - 8) * 128，其中K为卷积核大小，P为padding数，S为步长，Conv_Dim为卷积核数量。因此，如果输入数据的维度为1000*200，那么经过该卷积层后输出的参数维度为Batch_Size * (L - K + 2P) / S + 1 * Conv_Dim = 1000 * (200 - 16 + 2*8) / 1 + 1 * 128 = 198,080。