CNN中卷积层参数量与输出特征图尺寸的计算公式

1. 卷积层输入特征图(input feature map)的尺寸为： H_input × W_input × C_input
H_input 表示输入特征图的高
W_input 表示输入特征图的宽
C_input 表示输入特征图的通道数（如果是第一个卷积层则是输入图像的通道数，如果是中间的卷积层则是上一层的输出通道数）

2. 卷积层的参数有如下几个：
输出通道数为 K
正方形卷积核的边长为 F
步幅(stride)为 S
补零的行数和列数(padding)为 P

3. 输出特征图(output feature map)的尺寸为 H_output × W_output × C_output ，其中每一个变量的计算方式如下：
H_output = ( H_input − F + 2P ) / S + 1
W_output = ( W_input − F + 2P ) / S + 1
C_output = K

4. 参数量大小的计算，分为weights和biases：
首先来计算weights的参数量：F × F × C_input × K
接着计算biases的参数量：K
所以总参数量为：F × F × C_input × K + K

版权声明：本文为CSDN博主「gaishi_hero」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/gaishi_hero/article/details/81512404