以AlexNet为例解释卷积的尺度变化的计算过程和参数量

• 卷积后的尺寸变化计算过程：

假设图像大小为N*N矩阵

卷积核的尺寸为K*K矩阵

卷积的方式（边缘像素填充方式）:P

卷积的步长为S*S

那么经过一层这样的卷积后出来的图像为：

最后得到的输出即为N*N大小图像。

• 池化层的尺寸变化计算过程：

O=输出图像的尺寸。
I=输入图像的尺寸。
S=移动步长
Ps=池化层尺寸

输出图像尺寸的计算公式如下：

• 卷积层：核的深度等于输入图像的通道数C.于是每个核有K*K个参数.并且有N个核.由此得出以下的公式.

参数量 = K*K*C*N（卷积核）+N（偏置）个

• 全连接层：

当前卷积层的尺寸O，卷积核数量N，全连接层神经元数量F，参数量=O*O*N*F+F

当前FC层的神经元数量F，前FC层的神经元数量F-1，参数量 =F*（F-1）+F

 

 

AlexNet网络结构:

 

 

层结构	尺寸变化计算过程	参数量计算过程
输入图像，227*227*3
Conv-1， 核大小11*11，96个核。步长(stride)为4，边缘填充（padding）为0	（227-11+0*2）/4+1=55 55*55*96	11*11*3*96+96 = 34944
MaxPool-1， 尺寸为3*3，步长为2	(55-3)/2+1=27 27*27*96	0
Conv-2， 核尺寸：5*5，数量：256，步长：1，填充：2	(27-5+2*2)/1+1=27 27*27*256	5*5*96*256+256=614656
MaxPool-2， 尺寸：3*3，步长：2	(27-3)/2+1=13 13*13*256	0
Conv-3， 核尺寸：3*3，数量：384，步长：1，填充：1	(13-3+2*1)/1+1=13 13*13*384	3*3*256*384+384=885120
Conv-4， 核尺寸：3*3，数量：384，步长：1，填充：1	(13-3+2*1)/1+1=13 13*13*384	3*3*384*384+384=1327488
Conv-5， 核尺寸：3*3，数量：256，步长：1，填充：1	(13-3+2*1)/1+1=13 13*13*256	3*3*384*256+256=884992
MaxPool-3， 尺寸：3*3，步长：2	(13-3)/2+1=6 6*6*256	0
FC-1， 全连接层1共有4096个神经元	4096*1	6*6*256*4096+4096=37752832
FC-2， 全连接层1共有4096个神经元	4096*1	4096*4096+4096=16781312
FC-3， 全连接层1共有1000个神经元	1000*1	4096*1000+1000=4097000