卷積后圖片輸出大小
W:圖像寬，H:圖像高，D:圖像深度（通道數(shù)）
F：卷積核寬高，N:卷積核（過濾器）個(gè)數(shù)
S:步長，P:用零填充個(gè)數(shù)
卷積后輸出圖像大小：

                                Width=(W-F+2P)/S+1Height=(H-F+2P)/S+1

卷積后輸出圖像深度： D=N
輸出圖像大小： （width，height，N）
weight個(gè)數(shù)： FFD*N
bias個(gè)數(shù)： N

總結(jié)：卷積輸出大小=[（輸入大小-卷積核（過濾器）大小+2*P）／步長]+1
卷積中[]代表向下取整，

通用的卷積時(shí)padding 的選擇
如卷積核寬高為3時(shí) padding 選擇1
如卷積核寬高為5時(shí) padding 選擇2
如卷積核寬高為7時(shí) padding 選擇3

池化后圖片輸出大小及個(gè)數(shù)
W:圖像寬，H:圖像高，D:圖像深度（通道數(shù)）
F：卷積核寬高，S:步長
池化后輸出圖像大小：

                               W=(W-F)/S+1H=(H-F)/S+1

池化后輸出圖像深度： D=N
總結(jié)：池化輸出大小=[（輸入大小-卷積核（過濾器）大小）／步長]+1
池化中[]代表向上取整。

總結(jié)

以上是生活随笔為你收集整理的卷积池化计算 深度学习的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。