1. 卷积层输入特征图(input feature map)的尺寸为： H<sub>input</sub> × W<sub>input</sub> × C<sub>input</sub>
H<sub>input</sub> 表示输入特征图的高
W<sub>input</sub> 表示输入特征图的宽
C<sub>input</sub> 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<sub>output</sub> × W<sub>output</sub> × C<sub>output</sub> ，其中每一个变量的计算方式如下：
H<sub>output</sub> = ( H<sub>input</sub> − F + 2P ) / S + 1
W<sub>output</sub> = ( W<sub>input</sub> − F + 2P ) / S + 1
C<sub>output</sub> = 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<sub>input</sub> × K
接着计算biases的参数量：K
所以总参数量为：F × F × C<sub>input</sub> × 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