卷积神经网络中特征图大小计算公式总结

W：输入特征图的宽，H：输入特征图的高

K：kernelsize卷积核宽和高，P：padding（特征图需要填充的0的个数），S：stride步长

width_out：卷积后输出特征图的宽，height_out：卷积后输出特征图的高

普通卷积

计算公式：

width_out = （W - K + 2*P）/ S + 1（向下取整）

height_out = （H - K + 2*P） / S + 1（向下取整）

池化

计算公式：

width_out = （W - K）/ S + 1（向下取整）

height_out = （H - K） / S + 1（向下取整）

上采样UpSampling2D

上采样相当于放大多少倍，size=倍数

计算公式：

width_out =W*size

height_out =H*size

转置卷积

转置卷积俗称反卷积，是上采样方式中的一种，转置卷积用来增大特征图的分辨率。

计算公式：

width_out = （W - 1）* S-2*P + K

height_out = （H - 1）* S - 2 * P + K