卷积过程图

更多动画演示

https://gitee.com/65242847/images/blob/master/%E5%8D%B7%E7%A7%AF%E5%8A%A8%E7%94%BB%E5%9B%BE.md

特征图大小计算公式

• s是strides（滑动步长）
• 输入特征图宽高为 i （一般预处理成正方形）
• 卷积核大小为 k（一般高宽相同）
• p是padding大小

卷积结果大小：( i - k + 2 * p ) / s + 1

注意

1. panding抵消卷积核大小时，卷积结果会受到步长的影响。当步长为2时，卷积结果大小约等于原图片的一半

2. 当卷积核大小是1，步长是1时，不设置padding（即padding为0），此时图片卷积后不改变大小
   (i-1+2*0)/1 + 1=i

卷积参数计算

输入特征图尺寸：(h,w,c)
卷积核大小k，步长s，数量n

卷积参数公式：c * n * k * k + n

计算过程如下：

1. 只有卷积核有参数，对于一个3*3的卷积核，其参数是 3*3，公式为：k * k
2. n个卷积核，公式为：n * k * k
3. 输入特征图有c个通道，每个通道与每个卷积核运算，所以公式是：c * n * k * k
4. 每个卷积核有一个bias偏执量，n个卷积核就有n个bias，最终公式为：c * n * k * k + n

使用小卷积核的原因之一：参数少

卷积计算量公式

输入特征图尺寸：(h,w,c)
卷积核大小k，步长s，数量n，padding为p
卷积结果特征图尺寸：H,W,n

卷积计算量公式（只考虑乘法运算）：

已知卷积结果特征图尺寸：k * k * H * W * n * c

已知输入特征图尺寸：( k × k ) * ( ( h - k + 2 * p ) / s + 1) * (( w - k + 2 * p ) / s + 1) * c * n

已知卷积结果特征图尺寸，计算过程如下：

1. 一个k × k的卷积核，执行一次卷积操作，需要k × k次乘法操作（卷积核中每个参数都要和特征图上的元素相乘一次）

2. 卷积结果的大小是 H * W，也就是说要进行H * W次卷积，计算量公式是：( k × k ) * H * W

3. 有n个卷积核，计算量公式是：( k × k ) * H * W * n

4. 有c个输入特征图，计算量公式是：( k × k ) * H * W * n * c

已知输入特征图尺寸，计算过程如下：

上面第2步，H、W可以替换成输入特征图尺寸：H = ( h - k + 2 * p ) / s + 1，W = ( w - k + 2 * p ) / s + 1
所以公式可替换成：( k × k ) * ( ( h - k + 2 * p ) / s + 1) * (( w - k + 2 * p ) / s + 1) * c * n

废弃

1. 一次卷积的计算量：

   • 一个k × k的卷积核，执行一次卷积操作，需要k × k次乘法操作（卷积核中每个参数都要和特征图上的元素相乘一次）

   • k×k−1次加法操作（将卷积结果，k × k个数加起来）。

   • 一次卷积操作需要的计算量，公式：(k × k) + (k × k − 1) = 2 × k × k − 1

2. 卷积结果的大小是 H * W，也就是说要进行H * W次卷积，计算量公式是：( 2 × k × k − 1) * H * W

3. 有c个输入特征图

   • 一个卷积核要与c个特征图做乘法操作，计算量公式是：( 2 × k × k − 1 ) * H * W * c
   • 然后将c个结果做加法操作，共c -1次加法操作，计算量公式：(2 × k × k − 1 ) * H * W * c * (c - 1)

4. 有n个输入特征图，计算量公式是：

感谢：
https://blog.csdn.net/liuweiyuxiang/article/details/99637649
https://blog.csdn.net/mtj66/article/details/80509713