（1）公式：

假设：输入图片（Input）大小为I*I，卷积核（Filter）大小为K*K，步长（stride）为S，填充（Padding）的像素数为P，那卷积层输出（Output）的特征图大小为多少呢?

可以得出推导公式：

O=（I-K+2P）/S+1

（2）例子：

我们采用的卷积核大小为K=3*3，填充大小为P=1，步长为S=2。对5*5的输入特征图进行卷积生成3*3的特征图，结果如下图所示：

计算公式为：

Reference：

（1）https://blog.csdn.net/jacke121/article/details/79259348

（2）https://blog.csdn.net/u010725283/article/details/78593410/

（3）https://blog.csdn.net/leviopku/article/details/80327478

微信公众号（1）公式：假设：输入图片（Input）大小为I*I，卷积核（Filter）大小为K*K，步长（stride）为S，填充（Padding）的像素数为P，那卷积层输出（Output）的特征图大小为多少呢?可以得出推导公式：O=（I-K+2P）/S+1（2）例子：我们采用的卷积核大小为K=3*3，填充大小为P=1，步长为S=2。对5*5的输入特征图进行卷积生成3*3... N = (W − F + 2P )/S+1 输出 图 片 大小 为 N×N 以resnet50为例，输入为[1,3,224,224]，其中1为batchsize，3为通道数，224为height和width。 经过第一层 卷积 后，其 大小 为[1,64,112,112] in_channels= 3//输入通道 out_channels= 64 // 输出 通道 nn.Conv2d(in_ 输入的 图 片 特征 是（32，32，1）即长、宽为32，因为是灰度 图 所以通道为1。若为彩色 图 片则通道为R,G,B 3通道. 激活层维度不变。 经过第一层的 卷积 之后 图 片从（32,32）经过 5 * 5 大小 的 卷积核 的 特征 映射 变为6个（28 ，28）的 图 像。 即：28=(32-5+2*0)/1+1 不考虑padding的情况下 卷积 之后通过下采样即池化层再次提取 特征 ，这里定义的池化窗口 大小 为(2,2) 即会把输入张量的两个维度都缩小一半。 所以 图 像从（28 out_size=in_size+2×padding−kernel_sizestride+1 out\_size = \frac{in\_size+2\times padding - kernel\_size}{stride} + 1 out_size=stridein_size+2×padding−kernel_size​+1 如果想让输入和 输出 大小 一样，则stride必须为1，并且: padding=kernel_size−12 padding = \frac{kernel\_siz 4.常见的两个 卷积层 设置的问题 1. 卷积 神经 网络 的结构 卷积 神经 网络 （ CNN ）由输入层、 卷积层 、激活函数、池化层、全连接层组成，即INPUT（输入层）-CONV（ 卷积层 ）-RELU（激活函数）-POOL（池化层）-FC（全连接层） 我们用一个 图 进行展示： 2. 卷积 神经 网络 的 计算 w2 = （w1-k+2p）/s + 1 总结： 卷积 输出 大小 =[（输入 大小 - 卷积核 大小 +2*Padding）／步长]+1 所以当stride为1时,当 卷积核 的 大小 比padding的两倍大1时，可以不改变 特征 图 的尺寸，只改变通道数。 对于池化： H=(H-K)/S+1 W=(W-K)/S+1 总结：池化 输出 大小 =[（输入 大小 - 卷积核 大小 ）／步长]+1 反 卷积 输出 大小 (input_size-1)×strid 则有：N=(W−F+2P)/2+1N=(W - F + 2P)/2 +1N=(W−F+2P)/2+1 卷积核 ：一个 卷积核 只有三维， 卷积核 的厚度对应被 卷积 特征 的通道数， 卷积核 的个数对应 卷积 后的 输出 通道的通道数。