现在假设卷积前的特征图宽度为N，卷积后输出的特征图宽度为M，那么它们和上述设置的参数之间的关系是怎样的呢？首先可以确定的是padding之后的矩阵宽度等于N+2 x padding。另一方面，卷积核滑动次数等于M-1
根据上图的关系，可以建立下面的等式
于是输出矩阵的宽度就等于
特别地，如果需要卷积操作不改变矩阵宽度，即M = N，则填充宽度为
记录完毕！
节选自：https://zhuanlan.zhihu.com/p/163017446
免责声明！
本站转载的文章为个人学习借鉴使用，本站对版权不负任何法律责任。如果侵犯了您的隐私权益，请联系本站邮箱yoyou2525@163.com删除。
猜您在找
卷积函数的参数为Conv2d(in_channels, out_channels, kernel_size, stride, padding, ...)，一般关心这5个参数即可
CNN中已知input_size、kernel_size、padding、stide计算output公式的理解
深度学习：padding、卷积、stride的计算
Convolutional Neural Networks(4):Feature map size,Padding and Stride
nn.MaxPool2d()的kernel_size为tuple用法
Darknet卷基层浅层特征可视化教程
【python实现卷积神经网络】卷积层Conv2D实现（带stride、padding）
卷积与反卷积以及步长stride
卷积与反卷积输出特征图计算
卷积网络中的通道(Channel)和特征图