最近復習了一下卷積神經網絡，好久沒看都搞忘了。
計算特征圖的公式如下：
其中n表示原來圖像的大小，p表示padding的大小，f表示filter的大小，s表示stride，計算完成之后向下取整，就可以了。這里記錄一下這個公式，以免自己搞忘了。同時，還有一個容易搞忘的地方是，在圖像的卷積當中，一組filter的channel數量一定和圖像的channel相同，但是我們可以擁有多組filter，每多一組filter，就多出一個特征圖，如下圖所示：
還有一個容易搞錯的點，也是很多企業常見的面試題目，如下：
問一共有10個filter，每個都是3*3*3的大小，對於這層卷積神經網絡而言，一共有多少個參數？由於我們只考慮了這層神經網絡，不管輸入圖像的大小是多少，因此其參數量的大小為：
（3*3*3+1）*10=280個參數。為什么要在3*3*3后面+1？
因為每做一次cnn，我們還有一個偏置項，然后再進行relu，或者tanh。這個偏置項b，也要考慮到我們的參數計算當中。
同時，還有一個是用來計算（avg）max-pooling的一個公式，如下：
nh表示原始圖像的高度，nw表示原始圖像的寬度，s表示stride，f表示要想得到pool layer所需要的filter的size。因為在pooling的過程當中，也需要有一個filter，和convolution的過程是有點類似的。