​ 在卷积神经网络CNN里一个最容易让人“卡住”的点就是卷积之后特征图到底变多大​ 尤其是你第一次看到这个公式时Hout⌊Hin2P−KS⌋1 H_{out} \left\lfloor \frac{H_{in} 2P - K}{S} \right\rfloor 1Hout​⌊SHin​2P−K​⌋1​ 其中HinH_{\text{in}}Hin​是输入尺寸高或宽 KKK是卷积核大小SSS是步长stride PPP是padding。​ 看起来像公式但本质其实只有一句话卷积输出 卷积核在输入上“能滑动的次数”一、先用一个最直觉的例子理解​ 例如对于输入数据索引为[0,1,2,3,4,5,6]一共7个元素。若stride1,padding0, kernel_size3卷积核会在序列上以步长 1 进行滑动。每一个合法的滑动位置都会产生一个输出因此输出个数等于“窗口可以放置的起始位置数量”最终得到 5 个输出。1.1 关键问题卷积核能放多少次​ 卷积核每次覆盖 3 个元素对于上述示例可以放5个位置因此输出长度为5。二、公式理解​ 我们可以将公式拆分为三部分来理解Hout⌊Hin2P−KS⌋1 H_{out} \left\lfloor \frac{H_{in} 2P - K}{S} \right\rfloor 1Hout​⌊SHin​2P−K​⌋12.1 有效滑动范围Hin2P−K H_{\text{in}} 2P - KHin​2P−K​ 这一部分表示卷积核在“展开后的输入”上最后一个合法起点能走到的最远距离。​ 直觉上可以理解为输入长度扩展为Hin2PH_{in} 2PHin​2P 每次窗口占用KKK个位置 所以真正能滑动的是“剩余可移动空间”。2.2 除以 stride​SSS表示表示“每次跳多少步”即卷积核每次“跳跃”的间隔大小。S1S 1S1→ 每个位置都看S2S 2S2→ 隔一个看一个SkS kSk→ 稀疏采样​ 本质是控制“采样密度”而不是影响窗口大小2.3 最后1从“步数”变成“位置数”​ 因为卷积输出统计的是所有“合法起点”的数量而不是移动了多少次。​ 把“滑动距离对应的步数”转换为“窗口起点的数量”因为卷积的输出本质是在统计所有合法的起始位置包括 0。三、推广到二维图像CNN真正用的情况​ 当输入是高为HHH宽为WWW的图像时卷积是一样的逻辑只是变成“2D滑动窗口”。​ 以224×224224 \times 224224×224图像为例假设参数为kernel_size 3 , stride 1 , padding 03.1 计算输出尺寸​ 带入公式可以得到输出高度Hout⌊2242⋅0−31⌋1222 H_{out} \lfloor \frac{224 2\cdot0 - 3}{1}\rfloor 1 222Hout​⌊12242⋅0−3​⌋1222​ 同理输出宽度通过计算得到的也是222222222因此输出特征图尺寸为222×222222 \times 222222×222。3.2 直觉理解​ 可以看到输入特征尺寸从224224224变成222222222本质是在问3×33 \times 33×3的卷积核在长度为224224224的序列上有多少个合法的放置位置​ 卷积核的起始位置可以从第 0 个位置覆盖 0~2 一直移动到第 221 个位置覆盖 221~223​ 因此合法起点范围为0, 1, 2, ..., 221总共有222个位置所以输出长度为222。​ 输出变小的原因在于卷积计算可以理解为以某个“中心位置”为基准在其左右各取一个元素kernel_size3形成一个长度为 3 的局部窗口。因此一个位置要成为合法的计算点必须满足其左右两侧都存在足够的邻域元素。在无 padding 的情况下输入序列最左侧和最右侧各有 1 个位置由于缺少邻域信息无法作为有效的中心点参与计算相当于两侧各“损失”了 1 个位置。由此输入到输出的尺寸变化从224变为222。四、padding 的作用为什么可以“保持尺寸不变”​ 如果我们希望卷积前后尺寸不变比如输入224×224224 \times 224224×224输出仍然是224×224224 \times 224224×224。​ 常见设置如下kernel_size 3stride 1padding 14.1 公式计算Hout⌊2242⋅1−31⌋1224 H_{out} \lfloor \frac{224 2\cdot1 - 3}{1} \rfloor 1 224Hout​⌊12242⋅1−3​⌋12244.2 直觉理解​ 没有 padding 时 卷积核只能在“完全落在图像内部”的区域滑动边缘会被“裁掉”。​ 有 padding 时在四周补 0 卷积核可以“跨到原图外侧” 这样边界位置也能被计算。​ padding 的本质是通过在边界补零扩展了卷积核的“合法滑动区域”从而控制输出尺寸。五、stride 的作用控制“跳着看”的密度​ stride步幅决定了卷积核在特征图上每次移动的步长。​ 当stride 2时卷积核每次在输入上向前移动 2 个位置而不是逐格滑动。这意味着我们不再对每一个可能的位置都进行计算而是隔一个位置采样一次从而减少了参与计算的“中心点”数量。因此输出特征图的尺寸相较于stride 1会明显减小通常接近原来的一半具体大小仍取决于输入尺寸和kernel size。5.1 直觉理解从“逐像素扫描”到“间隔采样”​ 可以把卷积看成在图像上做扫描stride 1像逐像素走路每一格都看得很仔细stride 2像隔一格走一步只看“关键位置”结果就是stride 越大看到的信息越“稀疏”但计算量也越小5.2 对输出尺寸的影响​ stride 本质上是在控制输出网格的“采样频率”。在不改变 padding 和 kernel 的情况下stride 1 → 输出密集信息保留更多stride 2 → 输出变稀疏尺寸缩小stride 1 → 相当于对特征图做下采样downsampling因此stride 控制的不是“看哪里”而是“每隔多远看一次”。六、总结​ 可以这样理解三者分工kernel_size控制每次“看多大范围” padding控制边界“能不能看见” stride控制看得有多密。​ 卷积输出尺寸本质就是卷积核在输入上按 stride 规则可以滑动多少次。公式只是这个过程的数学表达。​ 工程里最常见的几个组合设置作用输出变化kernel3, stride1, padding1保持尺寸不变kernel3, stride2下采样减半kernel1通道混合不变