1. 卷积相关

1.1. 卷积

卷积公式：
$outpu{t}_{size}=\frac{inpu{t}_{size}+2\times padding-kerne{l}_{size}}{stride}+1$

其中，经过卷积后特征图的$H$和$W$不变的两种特殊卷积如下：
①3×3卷积核：$kerna{l}_{size}=3$，$stride=1$，$padding=1$
②1×1卷积核：$kerna{l}_{size}=1$，$stride=1$，$padding=0$
卷积的通道越多，提取特征图的信息越多，但不是越多越好。
注：卷积之后特征图的通道数和尺寸不变是为了保证信息的充分提取，减少后继操作的复杂性，从而提高模型的性能和效率。

1.2. 转置卷积

转置卷积公式：
$H_{out}=(H_{in}-1)\times stride-2\times padding[0]+kerne{l}_{size}[0]$
$W_{out}=(W_{in}-1)\times stride-2\times padding[1]+kerne{l}_{size}[1]$

1.3. 空洞卷积

$rate$：空洞因子
空洞卷积计算公式：
$outpu{t}_{size}=\frac{inpu{t}_{size}-[kerne{l}_{size}+(kerne{l}_{size}-1)(rate-1)]+2\times padding}{stride}+1$

'''
python实现：卷积尺寸的计算
'''
input = 256  # 输入尺寸
k=5    # 卷积核大小
s=1    # stride
r=8    # rate:空洞因子
p=0    # padding

out = input-(k+(k-1)*(r-1))+2*p
output = out / s +1

print('输出尺寸为：', output)   # 256 -> 224

1.3. 最大池化MaxPool2d

池化公式：
$outpu{t}_{size}=\frac{inpu{t}_{size}-kerne{l}_{size}+2\times padding}{stride}+1$