zero

卷积后图片输出大小W:图像宽，H:图像高，D:图像深度（通道数）F：卷积核宽高，N:卷积核（过滤器）个数S:步长，P:用零填充个数卷积后输出图像大小： Width=(W-F+2P)/S+1 Height=(H-F+2P)/S+1卷积后输出图像深度： D=N...

计算量：参数量：（一层输入feature map共享kernel ）DK DK 为卷积核大小，M 是输入 feature map 通道数，DFDF 为输出feature map 大小，N 是输出 feature map 通道数（也是卷积核的通道数）。参考：https://blog.youkuaiyun.com/dl_007/article/details/82878267...

1*1卷积核的优点：作用是在不影响输入输出维数的情况下，对输入进行线性形变，然后通过Relu进行非线性处理，增加网络的非线性表达能力。对于单通道输入，1×1的卷积确实不能起到降维作用，但对于多通道输入，就不不同了。假设你有256个特征输入，256个特征输出，同时假设Inception层只执行3×3的卷积。这意味着总共要进行 256×256×3×3的卷积（589000次乘积累加（MAC）运算）...