矩阵卷积后的尺寸的计算公式

设:

图片输入大小为：W x W x D1

卷积核尺寸为: F x F

步长为： S

填充为：P

卷积核个数为：K

输出图片大小为：N x N x K

　　　　　　　　N = （W-F+2P）/ S   +1

池化层的功能：
* 第一，又进行了一次特征提取，所以能减小下一层数据的处理量。
* 第二，能够获得更为抽象的信息，从而防止过拟合，也就是提高了一定的泛化性
* 第三，由于这种抽象性，所以能对输入的微小变化产生更大的容忍，也就是保持了它的不变性，这里的容忍包括图像的少量平移、旋转缩放等操作变化。

https://www.jianshu.com/p/eb4c2f06d93d

对于一个的原图像，通过填充(padding)个像素，经过一个步长是(stride)的(filter)的卷积核，最终特征图的尺寸为：

感性认识

 

 

总结

• 输入大小：
• 需要4个超参数：
  • 卷积核个数
  • 卷积核边长
  • 步长
  • 零填充的数量
• 输出大小：
  • 
  • 
  • 
• 参数共享，每一个卷积核有个权重参数，共有个权重参数和个偏差
• 通常设置为2的指数，如32，64，128，256，512