卷积神经网络经过卷积/池化之后的图像尺寸及参数个数以及FLOPs

尺寸大小

卷积

设输入图像尺寸为W * W * 3，卷积核尺寸为F，步幅为S，Padding使用P,共有M个卷积核，则经过该卷积层后输出的图像尺寸为：

[(W-F+2P)/S + 1 ] * [(W-F+2P)/S + 1] * M

常见的F、S和P的设置如下：

• F = 3, S = 1, P = 1(保持feature map大小不变)
• F = 5, S = 1, P = 2(保持feature map大小不变)
• F = 5, S = 2, P = ? (whatever fits)
• F = 1, S = 1, P = 0(保持feature map大小不变)

这里的[x]代表对x进行下取整

注意：共有M个卷积核，比如第一个卷积核对图像进行卷积，由于图像共有3个通道，其实，这个卷积核就相当于有3个F * F大小的不相同的卷积模板分别对3个通道做卷积再逐相加，形成一个feature map，并不是只有一个F*F大小的卷积核分别对3个通道做卷积再相加（考虑一下，假如只有一个F * F大小的卷积核分别对3个通道做卷积再相加，那不就相当于3个通道直接相加，再和这个卷积核进行卷积吗？这样显然丢失了许多有用信息和重要特征啊！）

池化

设输入图像尺寸为W * W * 3，卷积核尺寸为F，步幅为S（池化时，例如最大池化或平均池化，S的大小通常小于等于F，使每个区域没有重叠），池化一般化不用padding，也没有类似于卷积核个数的概念(所以经过pooling后，一般化channel不变，变的只是每个channel的大小)，则经过该池化层后输出的图像尺寸为：

[(W-F)/S + 1 ] * [(W-F)/S + 1] * 3