深度学习输入输出特征图尺寸计算&&卷积的填充方式

1、卷积层输入特征图(input feature map)的尺寸为：H(input)×W(input)×C(input)
依次为输入特征图的高、宽、通道数。
2、输出通道数K(即卷积核个数);正方形卷积核的边长为F;步幅(stride)为S;补零的行数和列数(padding)为P

3、输出特征图(output feature map)的尺寸为H(input)×W(input)×C(input)，则输出规格如下：H(output)=(H(input)−F+2P)/S+1
W(output)=(Winput−F+2P)/S+1
C(output)=K
输入的通道数=卷积核的通道数，输出的通道数 =积核的个数
4、卷积网络参数量大小的计算，分为weights和biases：
首先来计算weights的参数量：F×F×C(input)×K
接着计算biases的参数量：K
总参数量为：F×F×C(input)×K+K
卷积缺陷：图像不断缩小
相对来说图像边缘和角落像素被使用次数很少
为了防止图像缩小，进行原来图像填充，p=value（value即边缘填充大小）
填充方式：
Valid卷积:没有填充。nn ，ff的卷积核，输出大小为[（n-f）/s+1][（n-f）/s+1]
Same卷积:进行填充，保持输出尺寸和输入尺寸一致。nn ，ff的卷积核。输出大小为[（n-f+2p）/s+1][（n-f+2p）/s+1]。
通常f为奇数。卷积即图像区域与卷积核所对应位置逐一进行与操作求和得到一个值作为输出。