深度神经网络Tensorflow里卷积后feature map的大小

feature map的大小和输入、filter、步长都有直接的关系。网上大多是步长为1的情况，自己总结了个公式。

举个例子，输入是5x5维的tensor，卷积核filter为3x3，步长stride为1的时候

input: 5x5

filter:  3x3

stride: 1x1

最终feature map为：3x3

步长不为1的时候，输入维数又很大的时候，该怎么计算，经过自己的研究得出公式：

input_size: 输入维数大小

filter_size: 卷积核大小

stride: 步长

feature map = ⌈ (input_size - filter_size + stride) / stride ⌉         ;;上取整，边界不丢弃

以上面的例子再算一次

⌈(5-3+1) / 1 ⌉ = 3

再以AlexNet的结构里第一层卷积验证下，如下图输入 224x224 卷积核 11x11， 步长4

feature map=⌈(224-11+4) / 4 ⌉ = 55