计算卷积神经网络中特征图大小的公式

最近复习了一下卷积神经网络，好久没看都搞忘了。

计算特征图的公式如下：

 

 其中n表示原来图像的大小，p表示padding的大小，f表示filter的大小，s表示stride，计算完成之后向下取整，就可以了。这里记录一下这个公式，以免自己搞忘了。同时，还有一个容易搞忘的地方是，在图像的卷积当中，一组filter的channel数量一定和图像的channel相同，但是我们可以拥有多组filter，每多一组filter，就多出一个特征图，如下图所示：

 还有一个容易搞错的点，也是很多企业常见的面试题目，如下：

 

 问一共有10个filter，每个都是3*3*3的大小，对于这层卷积神经网络而言，一共有多少个参数？由于我们只考虑了这层神经网络，不管输入图像的大小是多少，因此其参数量的大小为：

（3*3*3+1）*10=280个参数。为什么要在3*3*3后面+1？

因为每做一次cnn，我们还有一个偏置项，然后再进行relu，或者tanh。这个偏置项b，也要考虑到我们的参数计算当中。

同时，还有一个是用来计算（avg）max-pooling的一个公式，如下：

 

 nh表示原始图像的高度，nw表示原始图像的宽度，s表示stride，f表示要想得到pool layer所需要的filter的size。因为在pooling的过程当中，也需要有一个filter，和convolution的过程是有点类似的。