卷积层维度计算与设置
卷积结构
CNN结构：
Input(输入层)----> Conv(卷积)---->Relu(激活)---->Pool(池化)---->FC(全连接)
输入层参数介绍：
- batch_size：相当于一次训练的样本数
- weight/height：图片宽和高
- channels：图片通道数，1是黑白，3是RGB
卷积层参数介绍：
- filter = 卷积核(1x1,3x3,5x5)
- feature map = 卷积之后得到的输出结果
- weight/height：卷积核大小
- in_channel: 等于输入图片的通道数（这个是可以根据自己的需要来设置的）
- out_channel: 等于输出通道数
- padding：填充值，在输入特征图的每一边添加一定数目的行列，使得输出的特征图的长、宽 = 输入的特征图的长、宽
- stride：步长，卷积核经过输入特征图的采样间隔
卷积计算公式：
N 输出大小 = (W输入大小 − Filter + 2Padding )/Stride+1
反卷积计算公式：
N 输出大小 = (W输入大小 − 1 )*Stride+Filter - 2 *Padding
注意：卷积向下取整，池化向上取整。
池化层参数介绍：
- Filter : 卷积核大小
- stride：步长，卷积核经过输入特征图的采样间隔
池化计算公式：
输出大小 = (输入大小 − Filter)/Stride+1
作用：
maxpooling有局部不变性而且可以提取显著特征的同时降低模型的参数，从而降低模型的过拟合。
因为只是提取了显著特征，而舍弃了不显著的信息，是的模型的参数减少了，从而一定程度上可以缓解过拟合的产生。
如何选择卷积核大小、个数、层数？
1. 卷积核大小：
理论上来说，卷积核的大小可以是任意的，但绝大部分的CNN中使用的卷积核都是奇数大小的正方形，如1x1,3x3,5x5,7x7,11x11等，也有长方形的卷积核，如Inceptionv3中3x3的变成1x3和3x1。
大小选择一般为3x3的较多，越小越好，降低参数数量，降低复杂度。多个小卷积核比一个大卷积核好，原因有两点：
1.减少了参数量
2.3个3x3卷积核=1个7x7卷积核=1个5x5卷积核
以Mnist为例，图片28x28，使用5x5的卷积核，stride=1对其卷积，Result=（28-5)/1+1=24
用两个3x3卷积核：
(28-3）/ 1+1=26
(26-3）/ 1+1=24
2. 卷积核的个数
等于输出特征图的通道数，卷积核的数量越多，意味着提取的特征种类越多，通常会取2^n个，按照16的倍数倍增
3.卷积层数
卷积层数设置，选最好性能的那个模型，它是几层那就设置几层。 这个是训练数据，激活函数，梯度更新算法等多方面的影响，也不是简单就试出来的。
4. Padding选择
参考一个ppt发现：
卷积核为3时 padding 选择1
卷积核为5时 padding 选择2
卷积核为7时 padding 选择3
上述只是原则上的设置，实际上还是按模型该有的参数设置比较好，毕竟人家都调参优化好了。。。。
5.Stride选择
步长通常不会超过卷积核宽度或长度，步长大于1的时候有下采样的效果，比如步长为2时，可以让feature map的尺寸缩小一半。
LeNet参数举例
AlexNet参数举例
VGG参数举例
Reference
