1问题
探索卷积层输入输出的shape的计算公式。
2方法
卷积层的输入输出的shape的计算公式可以通过以下公式计算得出：
输出形状 = (输入形状 + 2 * 填充 - 卷积核形状) / 步幅 + 1
其中，输入形状、卷积核形状、填充和步幅都是超参数，需要在卷积层的定义中指定。
Shape的参数分别分为一维、二维。shape函数是numpy.core.fromnumeric中的函数，它的功能是读取矩阵的长度，比如shape[0]就是读取矩阵第一维度的长度。shape的输入参数可以是一个整数（表示维度），也可以是一个矩阵。以下例子可能会好理解一些：（1）参数是一个数时，返回空：（2）参数是一维矩阵：（3）参数是二维矩阵：（4）直接用.shape可以快速读取矩阵的形状
| from torch import nn import numpy as np x = np.array([[1,2,5],[2,3,5],[3,4,5],[2,3,6]]) #输出数组的行和列数 print(x.shape) #结果： (4, 3) #只输出行数 print(x.shape[0]) #结果： 4 #只输出列数 print(x.shape[1]) #结果： 3 |
3结语
在卷积层是深度学习中常用的层之一，用于处理图像或一维数据。在卷积层中，输入数据的形状和输出的形状是可以通过卷积核的大小和步长来计算的。
假设我们有一个输入数据，它的形状是 (batch_size, height, width, channels)，其中 batch_size 是批次大小，height 和 width 是图像的高度和宽度，channels 是图像的通道数。假设我们有一个卷积核，它的形状是 (kernel_height, kernel_width, in_channels, out_channels)，其中 kernel_height 和 kernel_width 是卷积核的高度和宽度，in_channels 是输入的通道数，out_channels 是输出的通道数。
综上所述，探索卷积层输入输出的shape的计算公式，这个公式的前提是使用了填充（padding）来保持输入和输出的大小一致。如果不使用填充，输出的高度和宽度会比输入的小。
