卷积、反卷积图像尺寸计算

一般在设计深度网络架构时，神经网络中无非也就是卷积层和全连接层，而网络一般会对图像尺寸有限制，卷积改变图像的尺寸比较重要，需要会计算。因此来计算一下卷积和反卷积的尺寸计算。以pytorch为例.

Convolution

torch.nn.Conv2D(in_channels,out_channels,kernel_size,stride,padding,bias)
#以上几个参数比较常用

卷积操作后图像计算尺寸为：

$$W_{out}=\frac{W_{input}-W_{filter}+2\ast padding}{stride+1}$$ $$H_{out}=\frac{H_{input}-H_{filter}+2\ast padding}{stride+1}$$

• 一般情况下，均为正方形，即W = H
• 如果计算结果不是正数，则向下取整

Deconvolution

torch.nn.ConvTranspose2D(in_channels, out_channels, kernel_size, stride, padding,  output_padding，bias)
# 其中，padding是输入图片补0个数，output_padding是输出图像补0个数
# 直观上是扩大图片，边上填充0也可以用来扩大图像

反卷积图像尺寸计算公式：

$$W_{out}=(W_{input}-1)\ast stride+Paddin{g}_{output}-2\ast Paddin{g}_{input}+W_{Kernelsize}$$ $$H_{out}=(H_{input}-1)\ast stride+Paddin{g}_{output}-2\ast Paddin{g}_{input}+H_{Kernelsize}$$

其中，

• $Paddin{g}_{output}$ 指的是ConvTranspose2D这个函数中的output_padding 参数；
• $Paddin{g}_{input}$ 指的是上述函数的padding 参数