CNN中卷积层参数量与输出特征图(feature map)尺寸的计算公式

admin管理员组

文章数量:1650771

1. 卷积层输入特征图(input feature map)的尺寸为： Hinput×Winput×Cinput H i n p u t × W i n p u t × C i n p u t $H_{input} \times W_{input} \times C_{input}$
   
   1. Hinput H i n p u t $H_{input}$表示输入特征图的高
   2. Winput W i n p u t $W_{input}$表示输入特征图的宽
   3. Cinput C i n p u t $C_{input}$表示输入特征图的通道数（如果是第一个卷积层则是输入图像的通道数，如果是中间的卷积层则是上一层的输出通道数）
2. 卷积层的参数有如下几个：
   
   1. 输出通道数为 K K $K$
   2. 正方形卷积核的边长为FF$F$
   3. 步幅(stride)为 S S $S$
   4. 补零的行数和列数(padding)为PP$P$
3. 输出特征图(output feature map)的尺寸为 Houtput×Woutput×Coutput H o u t p u t × W o u t p u t × C o u t p u t $H_{output} \times W_{output} \times C_{output}$，其中每一个变量的计算方式如下：
   
   1. Houtput=(Hintput−F+2P)/S+1 H o u t p u t = ( H i n t p u t − F + 2 P ) / S + 1 $H_{output}=(H_{intput}-F+2P)/S+1$
   2. Woutput=(Winput−F+2P)/S+1 W o u t p u t = ( W i n p u t − F + 2 P ) / S + 1 $W_{output}=(W_{input}-F+2P)/S+1$
   3. Coutput=K C o u t p u t = K $C_{output}=K$
4. 参数量大小的计算，分为weights和biases：
   
   1. 首先来计算weights的参数量： F×F×Cinput×K F × F × C i n p u t × K $F \times F \times C_{input} \times K$
   2. 接着计算biases的参数量： K K $K$
   3. 所以总参数量为：F×F×Cinput×K+KF×F×Cinput×K+K$F \times F \times C_{input} \times K+K$

本文标签： 卷积计算公式尺寸特征参数