卷積神經網絡說白了就是拿一堆小的矩陣去點乘（注意我說的是點乘，不是矩陣乘，這個很重要）一個大矩陣，最后得到局部信息。看圖(來源于網絡，只做說明用)：

給出一個matlab求解代碼：

A1 = [0 0 0 0 0 0 0;0 0 1 1 0 2 0;0 2 2 2 2 1 0;0 1 0 0 2 0 0;0 0 1 1 0 0 0;0 1 2 0 0 2 0;0 0 0 0 0 0 0];A2 =[0 0 0 0 0 0 0;0 1 0 2 2 0 0;0 0 0 0 2 0 0;0 1 2 1 2 1 0;0 1 0 0 0 0 0;0 1 2 1 1 1 0;0 0 0 0 0 0 0];A3 =[0 0 0 0 0 0 0;0 2 1 2 0 0 0;0 1 0 0 1 0 0;0 0 2 1 0 1 0;0 0 1 2 2 2 0;0 2 1 0 0 1 0;0 0 0 0 0 0 0];w1 = [-1 1 00 1 00 1 1]; w2 = [-1 -1 00 0 00 -1 0] w3 = [0 0 -10 1 01 -1 -1]a = zeros(3,3);for i = 1:2:5for j = 1:2:5sum1 = sum(sum(A1(i:i+2,j:j+2).*w1));sum2 = sum(sum(A2(i:i+2,j:j+2).*w2));sum3 = sum(sum(A3(i:i+2,j:j+2).*w3));a((i+1)/2,(j+1)/2) = sum1 + sum2 + sum3 + 1;end end

輸入一張矩陣表示的圖片，有3個通道（RGB），用兩個卷積核去卷積它，每一個卷積核又是3通道的，為什么卷積核從三通道變成了二通道，那是因為在3進行3通道卷積后，最后的卷積結果加和了，并且加上了偏置。還不懂？你算一下FilterW0那一層和InputVolume那一層對應元素相乘之后加偏置1是不是等于6，所有的東西依此類推就計算出最后的輸出矩陣了。
??下面來說一下卷積后的圖像的深度(D)、寬度(W)、長度(L)都編程多少了。首先有一個概念，叫padding，實際上在tensorflow和Keras中關于卷積的時候都有兩個方法可供選擇，叫valid和same，所謂valid就是兩邊不補0，SAME就是兩邊補相同數目的0。好了那么問題來了，兩邊步幾個0怎么計算啊，大家不要急這個是固定的。

?

• 3*3，padding大小一般為1，兩邊的就2*1=2
• 5*5，padding大小一般為2，兩邊的就2**=4
• 7*7，padding大小一般為3，兩邊的就3*2=6
  ??卷積以后的卷積核大小怎么求呢，首先確定卷積以后的矩陣深度（W）等于卷積核大小，也是是說一個卷積核生成一個feature_map（這個不懂的話自己去百度，其實圖中那個綠色的矩陣就是一個feature_map）。
  ??然后再來說說長度和寬度，這個玩意由于是正方形矩陣，其實是一回事，有個計算公式：
• 
  
  ??是不是覺得好理解多了，轉化成符號：
• s是stride，也就是步長
  
  ??其中W/H表示寬度/長度，P表示單邊(畫重點單邊)補全數，K代表卷積核的大小（比如5*5就是5)。好了又有一個問題出來了，為啥要加1呢，這個你就這么理解吧 你算1-9之間有幾個數是不是9-1+1共9個數啊。

?

?

總結

以上是生活随笔為你收集整理的CNN 卷积神经网络（卷积、池化）长度、宽度、深度计算的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。