對於卷積經過某層後的特徵圖大小計算方式：
h2 = （h1-k+2p）/s + 1
w2 = （w1-k+2p）/s + 1
總結：卷積輸出大小=[（輸入大小-卷積核大小+2*padding）／步長]+1
所以當stride為1時,當卷積核的大小比padding的兩倍大1時，可以不改變特徵圖的尺寸，只改變通道數。
對於池化：
h=(h-k)/s+1
w=(w-k)/s+1
總結：池化輸出大小=[（輸入大小-卷積核大小）／步長]+1
反卷積輸出大小
(input_size-1)×stride+kernel_size-2padding+outputpadding
空洞卷積的等效卷積核大小：
ke = k + (k − 1)(r − 1)
k為原始卷積核大小，r為dia rate引數。
輸出計算同卷積運算。
上取樣 以及反卷積 空洞卷積區別
一 上取樣 upsampling upsampling 上取樣 的三種方式 resize，如雙線性插值直接縮放，類似於影象縮放 反卷積 deconvolution transposed convolution 反池化 unpooling 上取樣upsampling的主要目的是放大影象，幾乎都是採用內...
卷積 池化 反卷積 反池化 上取樣的知識點記錄
卷積 same 輸入大小不夠時會在右邊加padding補足。output shape ceil input shape stride size valid output shape ceil input shape kernel shape 1 stride size 池化 池化沒有引數，除非使用t...
膨脹卷積的缺點 卷積 反卷積與膨脹卷積
卷積 多 1 的對映 本質 在對輸入做9 1的對映關係時，保持了輸出相對於input中的位置性關係 對核矩陣做以下變形 卷積核的滑動步驟變成了卷積核矩陣的擴增 卷積的矩陣乘法變成以下形式 核矩陣重排，輸入featuremap變形為向量 反卷積 1 多 的對映 deconvlution transpo...