超详细的卷积后大小的计算公式

定义几个参数

输入图片大小 W×W 卷积核大小 F×F 步长 S padding的像素数 P 于是我们可以得出计算公式为： N = (W − F + 2P )/S+1

输出图片大小为 N×N 以resnet50为例，输入为[1,3,224,224]，其中1为batchsize，3为通道数，224为height和width。

经过第一层卷积后，其大小为[1,64,112,112]

N = (W − F + 2P )/S+1 = （224-7+2x3）/2 + 1 = 112

1为batchsize，不改变。 对于通道数，会生成与设定的输出通道个数相同个数的卷积核，对图片进行卷积，即卷积核的个数等于输出特征图的通道数。 得到最终输出大小为[1,64,112,112] (W − F + 2P )相当于计算除了第一次卷积后剩下的可用来卷积的大小 (W − F + 2P )/S为按照S大小的步长在刚刚得到的大小上可以向后移动多少次，即还可以做几次卷积 因为不包括第一次卷积，所以再加上一个1， 即N = (W − F + 2P )/S+1 输出大小 = （图片宽或高 - 卷积核大小 + padding大小）/ 步长 + 1 对于宽和高不同的图片可分别用上述公式计算，得到最终的输出大小。

卷积动态图解参考： https://cs231n.github.io/assets/conv-demo/index.html