三、参数计算
主要有两个部分的参数需要计算，一个是卷积后的尺寸，另一个是池化后的尺寸。先看一些具体的比较简单的例子，方便去数。最后再给出通用的计算公式。
3.1 卷积后的尺寸
3.1.1 无填充、步长为1
整个过程如下所示：
无填充步长为1卷积示意图
如上图所示，相关数据如下表所示：
3.1.2 无填充、步长为2
无填充步长为2卷积示意图
如上图所示，相关数据如下表所示：
由上述两图、表可知，除卷积核大小外其它所有条件都不变的情况下，第二种情况相较于第一种情况，其输出的尺寸缩小了(2/4)∗(2/4)=1/4，高、宽各自方向上则缩小了2/4=1/2。
3.1.3 有填充、步长为2
整个过程如下所示：
有填充步长为2卷积示意图
如上图所示，相关数据如下表所示：
3.2 池化后的尺寸
3.2.1 无填充、步长为1
无填充步长为1池化示意图
如上图所示，相关数据如下表所示：
3.2.2 无填充、步长为2
整个过程如下所示：
无填充步长为2池化示意图
如上图所示，相关数据如下表所示：
3.2.3 有填充、步长为2
整个过程如下所示：
有填充步长为2池化示意图
如上图所示，相关数据如下表所示：
3.3 计算公式
卷积后的参数无非就三个，通道数、高、宽。其中通道数不用计算，就等于卷积核数量。为方便叙述，记：
3.3.1 卷积部分推导
给定相关参数后，设卷积核在水平、垂直方向分别可以有效移动（对有填充情况，超出填充部分则该次移动无效。无填充情况，超出输入数据则移动无效。）m、nm、n次，则有：
3.3.1.1 水平方向
移动情况如下所示：
水平方向移动示意图
3.3.1.2 垂直方向
垂直方向的推导与水平方向一致，只不过换了个方向而已，在此不赘述，直接给出其计算公式如下：
3.3.1.3 结论
综上，再加入输出通道数，有卷积操作后输出的尺寸的计算公式如下：
如果有疑问，可以把前面的例子拿来验证。Tensorflow中关于这部分的说明参考。官方文档 
3.3.2 池化部分推导
池化部分因为工作原理和卷积部分基本上是一样的，所以其公式推导也并没有什么不同，有一点需要指出的是，池化部分仍然可以有填充。池化部分的推导这里就不再赘述。
3.3.3 小结
3.3.3.1 公式整合
综上，整理出卷积/池化参数的通用计算公式如下：
使用式（3-9）最右边的表达式计算时一定要注意，这种表达不是特别严谨，这样写是为了兼容网络上的一些博客的写法，分式结果要记得向下取整。
3.3.3.2 参考资料
大部分参考的文献资料都在相应位置给出了，剩下还有些参考的资料罗列如下：
- 神经网络之LeNet结构分析及参数详解；
3.4 示例
3.4.1 示例1
该例子是牛客网上题库中的一个题，试题如下：
输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为：
A. 95 B. 96 C. 97 D. 98 E. 99 F. 100
答案： C
可以看出，该网络隐藏层共有3层（2层卷积，1层池化），再加上输入、输出层，该网络是一个5层的NN。
3.4.2 示例2
该例子是经典的LeNet-5，网络结构如下图所示：LeNet-5
LeNet-5网络结构图
其网络参数参考下图（卷积核大小均为5*5，步长1。池化核大小均为2*2，步长为2，通道数不定。）：
第1个卷积层C1，有：
第1个池化层S2，有：
第2个卷积层C3，有：
第2个池化层S4，有：
第3个卷积层C5，有：
第1个全连接层F6（全连接层没有卷积/池化操作），有：
所有结果计算出来都与原始Paper吻合，证明我们的公式是准确无误的。
