一、特征图大小计算方式
卷积中的特征图大小计算方式有两种，分别是‘VALID’和‘SAME’。
根据tensorflow中的conv2d函数，我们先定义几个基本符号
1、输入矩阵 W×W，这里只考虑输入宽高相等的情况，如果不相等，推导方法一样，不多解释。
2、filter矩阵 F×F，卷积核
3、stride值 S，步长
4、输出宽高为 new_height、new_width
1）如果padding = ‘VALID’
new_height = new_width = (W – F + 1) / S （结果向上取整）
也就是说，conv2d的VALID方式不会在原有输入的基础上添加新的像素（假定我们的输入是图片数据，因为只有图片才有像素），输出矩阵的大小直接按照公式计算即可。
或者是公式：
N = (W − F + 2P )/S+1 #P=0 padding的像素数P
2）如果padding = ‘SAME’
new_height = new_width = W / S （结果向上取整）
即输入尺寸除以步长s。比如输入图片大小为28×28，s=4，则输出图片大小为7×7。
有计算公式为，用于找工作做题：输入图片大小 W×W，输出图片大小为 N×N
N = (W − F + 2P )/S+1 #padding的像素数P
其中padding为特征图填充的圈数，即补零的行数和列数(padding)为P。
若采用'SAME'方式，kernel_size=1时，padding=0；kernel_size=3时，padding=1；kernel_size=5时，padding=2，以此类推。
3）参数量大小的计算
在CNN中,每层有两种类型的参数：weights 和biases。总参数数量为所有weights和biases的总和。
定义如下:
W=卷积层的weights数量
B=卷积层的biases数量
P=所有参数的数量
K=核尺寸
N=核数量
C =输入图像通道数
卷积层中，核的深度等于输入图像的通道数。于是每个核有K*K个参数.并且有N个核.由此得出以下的公式。
W=K×K×C×N
B=N
P=W+B
示例:AlexNet网络中，第1个卷积层，输入图像的通道数C是3，核尺寸K是11*11,核数量是96. 该层的参数计算如下：
W=11×11×3×96
B=96
P=34848+96=34944