通过pytorch代码解析卷积与池化操作理解图片尺寸变化规律

在分析代码的过程中，神经网络的结构往往因其复杂性而令人感到困惑，尤其是在经历多轮卷积与池化操作后，输入与输出的尺寸变化更是难以把握。本文将以pytorch代码为切入点，逐步推导出每一步运算完成后变量的具体尺寸。

预备知识概述

一、卷积操作原理与应用

设输入图像的宽度与高度分别为w和h，卷积核的尺寸为f×f，步长设定为s，填充参数为p，则经过卷积操作后输出图像的尺寸可由以下公式计算得出：
w_new = ( w + 2p - f ) / s + 1
h_new = ( h + 2p - f ) / s + 1

需特别指出的是，输出特征图的通道数量等同于所采用卷积核的数量。

二、池化操作

设输入图像的宽度与高度分别为w和h，池化核的尺寸为f×f，步长为s，则经过池化层处理后所得到的输出图像尺寸可表示为：
w_new = ( w - f ) / s + 1
h_new = ( h - f ) / s + 1

在执行卷积运算及池化运算时，所获得的尺寸遵循向下取整规则，而非采用四舍五入的方式。例如，若计算结果为w_new=7.5，则最终取值应为7。

代码示例展示

以下展示的是基于pytorch框架编写的代码，每一行均附有详细注释，便于理解与查阅。

    class CNNNet(nn.M