Pytorch学习笔记（五）——CNN中卷积和池化操作后的特征图大小计算方法
一、卷积操作
注意：卷积操作需要向下取整
假设：
设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，填充为P,经过该卷积层后输出的图像尺寸为NxN,计算公式为：
N
=
W
−
F
+
2
P
S
+
1
N=\cfrac {W-F+2P} {S}+1
N=SW−F+2P+1
设输入图像尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，填充为P，则：
W
=
W
−
F
+
2
P
S
+
1
W=\cfrac {W-F+2P} {S}+1
W=SW−F+2P+1
H
=
H
−
F
+
2
P
S
+
1
H=\cfrac {H-F+2P} {S}+1
H=SH−F+2P+1
如果无填充，公式可以简化为“
WxW:
N
=
W
−
F
S
+
1
N=\cfrac {W-F} {S}+1
N=SW−F+1
WxH:
W
=
W
−
F
S
+
1
W=\cfrac {W-F} {S}+1
W=SW−F+1
H
=
H
−
F
S
+
1
H=\cfrac {H-F} {S}+1
H=SH−F+1
也可使用以下公式计算：
二、池化操作
注意：当进行池化操作时，步长S就等于池化核的尺寸，需要向下取整
设输入图像尺寸为WxH，其中W:图像宽，H:图像高，卷积核的尺寸为FxF，S:步长
池化后输出图像大小：
WxW:
N
=
W
−
F
S
+
1
N=\cfrac {W-F} {S}+1
N=SW−F+1
WxH:
W
=
W
−
F
S
+
1
W=\cfrac {W-F} {S}+1
W=SW−F+1
H
=
H
−
F
S
+
1
H=\cfrac {H-F} {S}+1
H=SH−F+1
参考：
图像卷积和池化操作后的特征图大小计算方法
