先定义几个参数

• 输入图片大小 W×W
• Filter大小 F×F
• 步长 S
• padding的像素数 P

于是我们可以得出

N = (W − F + 2P )/S+1

输出图片大小为 N×N

---

转载：

卷积中的特征图大小计算方式有两种，分别是‘VALID’和‘SAME’，卷积和池化都适用，除不尽的结果都向上取整。

 

1.如果计算方式采用'VALID'，则：

其中为输出特征图的大小，为输入特征图的大小，F为卷积核大小，stride为卷积步长。

2.如果计算方式采用'SAME'，输出特征图的大小与输入特征图的大小保持不变，

其中padding为特征图填充的圈数。

若采用'SAME'方式，kernel_size=1时，padding=0；kernel_size=3时，padding=1；kernel_size=5时，padding=3，以此类推。

---

tensorflow代码（Tensorflow官方文档）中：

w_conv1=weight_variable([5,5,1,32])，一直不明白这个32是怎么来的，表示的是什么？

后来看到cs231n-知乎课程翻译的卷积神经网那一章的一段话：

参数共享：在卷积层中使用参数共享是用来控制参数的数量。就用上面的例子，在第一个卷积层就有55x55x96=290,400个神经元，每个有11x11x3=364个参数和1个偏差。将这些合起来就是290400x364=105,705,600个参数。单单第一层就有这么多参数，显然这个数目是非常大的。

作一个合理的假设：如果一个特征在计算某个空间位置(x,y)的时候有用，那么它在计算另一个不同位置(x2,y2)的时候也有用。基于这个假设，可以显著地减少参数数量。换言之，就是将深度维度上一个单独的2维切片看做深度切片（depth slice），比如一个数据体尺寸为[55x55x96]的就有96个深度切片，每个尺寸为[55x55]。在每个深度切片上的神经元都使用同样的权重和偏差。在这样的参数共享下，例子中的第一个卷积层就只有96个不同的权重集了，一个权重集对应一个深度切片，共有96x11x11x3=34,848个不同的权重，或34,944个参数（+96个偏差）。

可以看出，上面的32表示的是卷积层输出的深度，因为大家都明白width和height都可以通过公式计算得到，但是很多文献都没有告诉深度是如何得到的，下面是我的认识：

1. 因为这个深度是没有公式可以计算出来的，因为深度是一个经验值，如上面代码的32 ，其实是一个经验值，是通过调整参数发现32是一个最合适的值，可以得到最好的准确率，但是不同的图像的深度是不一样的。

2.这个深度表示用了多少个卷积核，下面这个图可以说明一下：

上图就可以很有效的说明 ：卷积层输出的深度==卷积核的个数。