模型分析

卷积计算公式

在开始之前我先讲一下卷积层的计算公式；

H1，W1为输入图片的高和宽
第一个公式的：F为卷积核的高(filter中的size参数中的纵坐标)，P为高方向的填充（padding参数中的纵坐标）
第一个公式的：F为卷积核的宽(filter中的size参数中的横坐标)，P为宽方向的填充（padding参数中的纵坐标）
H2，W2为输出后求出来的高和宽

图示

---

分析

直接从每一层的输入输出进行分析（模型以灰度图为例,图像只有一个通道）：

首先输入图片的尺寸为32×32，就是32×32个小像素点。

1:卷积层：

输入(32,32)

参数	value
卷积核大小：	（5,5）
卷积核个数：	6
步长：	1
是否填充：	不填充

（32-5+2*0）/2 +1 =28
输出(28,28,6) 长:28 宽:28 通道数:6

2:池化层：

输入(28,28,6) 上一层的输出

参数	value
池化核核大小：	（2,2）
步长：	1
是否填充：	不填充

28/2 = 14
输出(14,14,6) 长:14 宽:14 通道数:6

3:卷积层：

输入(14,14,6)

参数	value
卷积核大小：	（5,5）
卷积核个数：	16
步长：	1
是否填充：	不填充

(14-5+2*0)/2+1 = 10
输出(10,10,16) 长:10 宽:10 通道数:16

4:池化层：

输入(10,10,16) 上一层的输出

参数	value
池化核核大小：	（2,2）
步长：	1
是否填充：	不填充

10/2 = 5
输出(5,5,16) 长:5 宽:5 通道数:16

5:全连接层

神经元个数：120
将第四层池化层的输出 (5,5,16) 拉直成一维的，然后与 120 个神经元进行全连接(下图中的第一层隐层为120个神经元)

输出120个值

6:全连接层

神经元个数：80
输出80
此层相当于第二个隐层

7:全连接层

神经元个数10
输出10
输出层

标签：10,14,填充,卷积,32,模型,LeNet,28,经典
来源： https://blog.csdn.net/scl52tg/article/details/120997209