把 LeNet-5 的结构图摊在桌上，一层一层往下推特征图尺寸：输入 32×32，第一层 5×5 卷积核、步长 1、不加填充，输出 28×28；接着 2×2 池化，输出 14×14……这种"手推"看着很基础，但卷积神经网络里绝大多数"张量维度对不上""skip connection 相加失败""全连接层输入特征数算错"的报错，根子都在这几步计算上。特征图大小计算这件事，说穿了只有一个公式，但它牵扯到卷积、池化、空洞卷积、转置卷积等一整套层的尺寸规则，还连锁影响感受野、参数量、显存占用和计算量。这篇内容就是把这套规则从头讲透：公式怎么来的、边界情况怎么处理、3D 卷积和图卷积为什么不能照搬、以及在真实项目里怎么用几行代码把自己的手算结果验证一遍。不管你是刚看完 CNN 基本结构图、准备复现 LeNet-5 的新手，还是已经在调 ResNet 变体、经常被尺寸问题绊住的老手，都能从里面找到能直接抄走的做法。
1. 别急着背公式，先搞清楚它是怎么数出来的
1.1 一次维度报错引出的核心问题
我印象最深的一次排查，是帮同事看一个残差网络训练不起来的报错。日志只给了一句张量尺寸不匹配，两个特征图的通道和空间尺寸都对不上，加法做不了。翻了半天代码，问题出在一个 3×3、步长 2 的卷积上——同事默认输出尺寸会整除到整数，但实际上输入是 27×27，除以 2 之后向下取整，输出变成了 13×13，和另一条分支的尺寸差了 1。改成步长 1 加池化，或者把输入补到偶数，问题立刻消失。
这类问题的本质是：卷积和池化的输出尺寸不是连续可分的，它必须取整。取整方向、取整后丢掉的那部分像素去了哪里、下一层还能不能对上，这些都得算清楚。所以特征图大小计算不是一个"考试知识点"，而是排查网络结构问题的第一把螺丝刀。你只要能把每一层的输入输出尺寸写成一列，绝大多数结构 bug 在三分钟内就能定位。
1.2 用"能放几次"的思路把公式数出来
很多人记公式是靠背，但背下来的东西一旦遇到空洞卷积或者转置卷积就失效了。我更推荐从"滑窗能放几次"的角度去理解。
假设一维输入长度是 $L$，卷积核长度是 $k$，步长是 $s$，两侧各补 $p$ 个位置。补完之后总长度变成 $L + 2p$。卷积核第一次覆盖的位置起始于第 1 个点，之后每次向右移动 $s$ 个位置。那么卷积核的起始位置最多能取到哪里？最后一个合法的起始位置必须满足"核的右端不超过补零后的总长度"，也就是起始位置 $i$ 要满足 $i + k - 1 \le L + 2p$。
把所有合法起始位置列出来，是 $1, 1+s, 1+2s, \dots$，这是一个等差数列。设共有 $n$ 个位置，则最后一个位置是 $1 + (n-1)s$，代入约束：
$$1 + (n-1)s + k - 1 \le L + 2p$$
整理得 $(n-1)s \le L + 2p - k$，于是
$$n = \left\lfloor \frac{L + 2p - k}{s} \right\rfloor + 1$$
这就是那个大家都见过的公式。我之所以要把它推一遍，是因为推导过程里藏着两个关键信息：第一，下取整是天然的，不是人为规定的，因为不完整的滑窗位置被丢弃了；第二，决定结果的不是单独的 $p$ 或 $k$，而是 $L + 2p - k$ 这个"有效可用长度"，理解这一点之后，你就能凭直觉判断"这个配置会不会丢像素"。
1.3 二维卷积为什么宽高可以分开算
二维卷积看起来复杂，但它的滑窗在高度和宽度两个方向上是独立运动的。高度方向只和输入高度、核高度、高度方向步长、高度方向填充有关，宽度方向同理，两者互不干扰。所以二维卷积的输出可以直接写成两个一维公式的乘积：
$$H_{out} = \left\lfloor \frac{H_{in} + 2p_h - k_h}{s_h} \right\rfloor + 1, \quad W_{out} = \left\lfloor \frac{W_{in} + 2p_w - k_w}{s_w} \right\rfloor + 1$$
通道维度的规则更简单：输出的通道数等于这一层卷积核的个数，和输入的通道数无关。输入通道数只影响每个卷积核的深度——一个 $3 \times 3$ 的卷积核作用在 64 通道输入上时，它实际是一个 $3 \times 3 \times 64$ 的三维张量。这个区分很重要，新手最容易把"输入通道"和"输出通道"的角色搞混，然后在算参数量的时候出错。
理解了这一点，你就能明白为什么卷积层可以接受任意尺寸的输入：只要空间尺寸满足公式能算出至少 1 的输出，网络就能跑通，这也是全卷积网络能处理不同分辨率图像的原因。
2. 不同类型层的尺寸规则，逐个拆开看
2.1 标准卷积层：填充和步长的配合套路
标准卷积层直接用上面那个公式，没什么特殊之处，但实际写代码时有几个固定套路值得记住。
当步长 $s=1$ 时，如果想让输出尺寸和输入保持一致，需要 $L + 2p - k \ge L$，也就是 $p \ge (k-1)/2$。对于奇数核，最自然的取值是 $p = (k-1)/2$：3×3 配 1，5×5 配 2，7×7 配 3。这就是所谓的same padding，也是为什么主流网络的卷积核几乎清一色用奇数尺寸——偶数核没法在两侧对称填充后保持尺寸不变，只能一边多补一个位置，平白引入不对称性。我用过的所有稳定训练的图像模型里，空间卷积核全是 3×3 或 5×5，没有例外。
当步长 $s=2$ 时，情况就不那么干净了。代入 $k=3, p=1, s=2$：
$$out = \left\lfloor \frac{L + 2 - 3}{2} \right\rfloor + 1 = \left\lfloor \frac{L-1}{2} \right\rfloor + 1 = \left\lceil \frac{L}{2} \right\rceil$$
也就是说，偶数输入会被精确减半，奇数输入会向上取整。这个特性在实现下采样时非常常用，但代价是输入尺寸的奇偶性会影响输出，网络前后两段的尺寸可能对不齐。我的做法是：只要用了 stride=2 的卷积做下采样，就保证输入特征图的高宽是偶数，从数据预处理阶段就把输入裁剪到 2 的幂次附近，能省掉后面一大堆麻烦。
提示：PyTorch 官方文档给出的卷积输出公式是 $\lfloor (H_{in} + 2p - d(k-1) - 1)/s + 1 \rfloor$，比我上面写的多了一个 dilation 项。当 $d=1$ 时两者完全等价，可以放心使用同一个记忆版本。
2.2 池化层：公式相同，但取整策略可以调
池化层的尺寸公式和卷积完全一样，因为它在数学上就是一个固定权重的滑窗操作。常用的池化配置是核 2、步长 2、不填充，代入公式：
$$out = \left\lfloor \frac{L - 2}{2} \right\rfloor + 1 = \left\lfloor \frac{L}{2} \right\rfloor$$
所以 32 变 16、28 变 14、14 变 7、7 变 3。注意最后一步，7 会变成 3 而不是 3.5，被丢掉的那一行一列像素就永久消失了。这在浅层网络里没什么感觉，但在做逐像素分割或者需要恢复分辨率的任务里，丢掉的位置信息会让上采样后的边缘对不上。我见过不少分割模型在验证集上边缘一直糊，最后查出来是下采样路径用奇数尺寸输入，四次池化之后尺寸和上采样路径错开了一个像素，靠插值硬凑回去的。
PyTorch 的池化层提供了一个ceil_mode参数，设为 True 时会向上取整，公式变成 $\lceil (L-k)/s \rceil + 1$。什么时候该用它？当你希望输出尺寸尽量大、不想丢边界像素的时候。什么时候不该用？当你的下采样路径和上采样路径必须严格对称的时候，向上取整会让尺寸变化不再单调可预测，反而更难对齐。我的经验是：默认用向下取整，把输入尺寸调成能被整除的数值，是最省心的方案。
2.3 空洞卷积和转置卷积：公式要改两个地方
空洞卷积的引入是为了在不增加参数量的前提下扩大感受野。它的做法是在卷积核的相邻元素之间插入空洞，等效核尺寸变成：
$$k_{eff} = d \times (k - 1) + 1$$
其中 $d$ 是膨胀率。3×3 的核，膨胀率为 2 时，等效核是 5×5；膨胀率为 4 时，等效核是 9×9。但参数量始终是 3×3=9 个权重，这就是它的价值所在。把等效核代回原公式：
$$out = \left\lfloor \frac{L + 2p - d(k-1) - 1}{s} \right\rfloor + 1$$
实战里踩过的坑是：为了让空洞卷积保持尺寸不变，填充量也要跟着放大。3×3、膨胀率 2 的卷积，如果还按 $p=1$ 去配，输出尺寸会缩水 2。正确的填充量是 $p = d(k-1)/2$。我在做语义分割的多尺度上下文模块时，几条并行的空洞卷积分支如果填充量不按这个规则配，输出的特征图尺寸就各不相同，最后根本没法拼接或者相加。记住一句话：膨胀率变了，填充量必须同步变化。
转置卷积（也叫反卷积，但这个名字不够准确）走的是反方向。它的作用是让输出比输入大，常见于上采样路径。公式是：
$$out = (L - 1) \times s - 2p + k + output_padding$$
这个公式之所以长得不一样，是因为它把前向卷积中"哪个位置被覆盖了几次"的过程反转了：输入中的每个点会按步长散布到输出上，散布区域重叠的部分累加。用 $L=4, s=2, p=1, k=3$ 试一下，输出是 $(4-1)\times 2 - 2 + 3 = 7$，正好是输入的两倍少 1。如果你想让输出精确等于输入的 2 倍，就需要把 $output_padding$ 设为 1，输出变成 8。
注意：转置卷积非常容易出现"棋盘格"artifacts，原因是不同输出位置的覆盖次数不均匀。规避方法一是保证 $k$ 能被 $s$ 整除（比如 4×4 核配步长 2），二是干脆用"最近邻插值 + 3×3 卷积"替代。我在最近两年的项目里几乎不再直接用转置卷积，换成插值加卷积之后，输出图像的网格感基本消失了。
2.4 3D 卷积和图卷积：不能照搬二维的思路
3D 卷积在二维公式的基础上多了一个时间或者深度维度。设三维核为 $k_t \times k_h \times k_w$，步长为 $s_t \times s_h \times s_w$，填充为 $p_t \times p_h \times p_w$，那么三个方向各自套用一维公式即可：
$$T_{out} = \left\lfloor \frac{T_{in} + 2p_t - k_t}{s_t} \right\rfloor + 1$$
以此类推。处理视频或者医学体数据时，我通常把时间维的步长单独设成 2 或者 3，空间维保持 1，这样能在保留空间分辨率的同时压缩时间维度。这里要注意的是，3D 卷积的参数量和显存占用是二维的三次方级别增长，一个 3×3×3、64 通道的 3D 卷积，参数量接近 11 万，和二维的 3×3 卷积完全不是一个量级。所以做体数据处理时，第一层往往用较大的空间核配小时间核，比如 $3\times7\times7$，控制住显存。
图卷积神经网络的"尺寸"概念和上面这些完全不是一回事，它是理解难点。图卷积里的节点数量由图的邻接结构决定，卷积操作实际上是在邻接矩阵和特征矩阵之间做乘法，节点数在传播过程中保持不变，所以不存在"滑窗滑几次"的问题。真正变化的是每个节点的特征维度，那才对应着常规卷积里的"通道数"。如果拿二维卷积的公式去套图卷积，会用错方向。图卷积里需要关心的是聚合范围——几阶邻居参与计算，以及是否引入池化来减少节点数（这需要图池化或者图粗化操作，不是简单滑窗）。
3. 手算加代码验证，把 LeNet-5 逐层走一遍
3.1 手推 LeNet-5 的每一层
理论说得再多，不如完整走一遍。LeNet-5 是结构图里出现频率最高的小网络，参数少、层数浅，非常适合练手。
原始结构约定输入是 32×32 的单通道图像，后面接 C1 卷积、S2 池化、C3 卷积、S4 池化、C5 卷积，再接两个全连接层。逐层算下来：
| 层 | 输入尺寸 | 核 | 步长 | 填充 | 输出尺寸 | 计算过程 |
|---|---|---|---|---|---|---|
| 输入 | - | - | - | - | 1×32×32 | - |
| C1 | 1×32×32 | 5×5 | 1 | 0 | 6×28×28 | (32-5)/1+1=28 |
| S2 | 6×28×28 | 2×2 | 2 | 0 | 6×14×14 | (28-2)/2+1=14 |
| C3 | 6×14×14 | 5×5 | 1 | 0 | 16×10×10 | (14-5)/1+1=10 |
| S4 | 16×10×10 | 2×2 | 2 | 0 | 16×5×5 | (10-2)/2+1=5 |
| C5 | 16×5×5 | 5×5 | 1 | 0 | 120×1×1 | (5-5)/1+1=1 |
| F6 | 120 | - | - | - | 84 | 全连接 |
| 输出 | 84 | - | - | - | 10 | 全连接 |
关键在于 C5 这一层：5×5 的卷积核正好和 5×5 的输入等大，输出塌缩成 1×1。这在结构上等效于全连接层，但权重共享方式不同。我第一次看论文时没意识到这一点，以为 C5 后面还有空间维度，结果算全连接层的输入特征数时多乘了一个 5×5，直接导致参数量对不上。
顺便算一下参数量，这是检验你是否真的理解通道维度的好办法。C1 的每个卷积核是 $5\times5\times1$，共 6 个，加偏置：$5\times5\times1\times6+6=156$。C3 的核是 $5\times5\times6$，共 16 个：$5\times5\times6\times16+16=2416$。C5 是 $5\times5\times16$，共 120 个：$5\times5\times16\times120+120=48120$。全连接 120 到 84 是 $120\times84+84=10164$，84 到 10 是 $84\times10+10=850$。全部加起来 61706 个参数，和公开资料里 LeNet-5 约 6 万参数的说法完全吻合。能把这串数字算到和公开值一致，说明你的尺寸和通道逻辑已经通了。
3.2 用几行代码把自己的手算结果验一遍
手算容易错，最好的习惯是写完就验证。下面这几行代码可以直接拿去用，把每一层的实际输出形状打出来：
import torch import torch.nn as nn def conv_out(size, k, s=1, p=0, d=1): """一维卷积/空洞卷积输出尺寸""" return (size + 2 * p - d * (k - 1) - 1) // s + 1 def pool_out(size, k, s, p=0, ceil_mode=False): """池化输出尺寸""" if ceil_mode: return -(-(size + 2 * p - k) // s) + 1 return (size + 2 * p - k) // s + 1 class LeNet5(nn.Module): def __init__(self): super().__init__() self.features = nn.Sequential( nn.Conv2d(1, 6, 5), # C1 nn.Tanh(), nn.AvgPool2d(2, 2), # S2 nn.Conv2d(6, 16, 5), # C3 nn.Tanh(), nn.AvgPool2d(2, 2), # S4 nn.Conv2d(16, 120, 5), # C5 nn.Tanh(), ) self.classifier = nn.Sequential( nn.Linear(120, 84), nn.Tanh(), nn.Linear(84, 10), ) def forward(self, x): for i, layer in enumerate(self.features): x = layer(x) print(f"layer {i:02d} {layer.__class__.__name__:12s} -> {tuple(x.shape)}") return self.classifier(x.flatten(1)) model = LeNet5() _ = model(torch.randn(1, 1, 32, 32)) # 顺便验证手算公式 assert conv_out(32, 5) == 28 assert conv_out(14, 5) == 10 assert pool_out(28, 2, 2) == 14 assert pool_out(10, 2, 2) == 5 print("手算与代码一致")跑一遍就能看到输出依次是 6×28×28、6×14×14、16×10×10、16×5×5、120×1×1，和自己手推的表格一模一样。我更推荐用torchinfo这类工具直接总结整个模型的逐层形状、参数量和计算量，输入尺寸设成你要用的实际尺寸，一次就能看到全貌：
# pip install torchinfo from torchinfo import summary summary(LeNet5(), input_size=(1, 1, 32, 32))实操心得：验证时输入的 batch size 一定要用真实的数值，不要用 1 蒙混过关。因为有些自定义层里写死了 batch 维度的操作（比如某些实现不规范的全连接或者自注意力的 reshape），batch=1 时恰好不报错，换到 32 就炸。我在项目里养成了一开始就用真实 batch 跑一次 shape 检查的习惯。
3.3 从目标尺寸反推填充量
实际工作中更常见的场景是反过来：我已经知道输入尺寸，也定好了输出尺寸，需要求填充量该设多少。把公式变形一下就得到：
$$p = \frac{s \times (out - 1) - L + k}{2}$$
如果算出来不是整数，说明这组配置达不到你要的输出尺寸，需要调整核、步长或者输出尺寸。举个真实例子：输入 224×224，我要用步长 2、核 3 的卷积把它降到 112×112，代入：
$$p = \frac{2 \times 111 - 224 + 3}{2} = \frac{1}{2}$$
不是整数，差一点点。这就是为什么很多网络在 stride=2 的卷积前后都会检查一下输入尺寸——224 这种"标准尺寸"看起来是 2 的倍数，但除以 2 之后变成 112，再除以 2 是 56，一路除到 7 就变成奇数了，再往下就需要配合池化或者AdaptiveAvgPool。我的处理方式是：深层特征图不要依赖逐层手算，直接在最末层用自适应平均池化指定输出尺寸，让框架自己处理剩下的取整问题。这比纠结每一层的填充量靠谱得多。代码上就是一句nn.AdaptiveAvgPool2d((1, 1))，无论输入是 7×7 还是 8×8，输出都是 1×1。
4. 尺寸算完之后，感受野和计算量怎么接着算
4.1 感受野的递推关系
特征图尺寸算清楚了，感受野就能顺着往下推。感受野的含义是输出特征图上的一个点，对应回原始输入图像上的区域有多大。
递推规则是：设到第 $n$ 层为止的感受野为 $RF_n$，累乘步长为 $S_{cum}$，那么
$$RF_n = RF_{n-1} + (k_n - 1) \times S_{cum, n-1}, \quad S_{cum, n} = S_{cum, n-1} \times s_n$$
初始时 $RF_0 = 1$，$S_{cum,0} = 1$。注意这里用的是核尺寸，如果有膨胀，要换成等效核尺寸 $d(k-1)+1$。
拿 LeNet-5 走一遍会发现一个很漂亮的结论。C1 后 $RF=5$，累乘步长 1；S2 后 $RF = 5 + 1\times1 = 6$，累乘步长变 2；C3 后 $RF = 6 + 4\times2 = 14$，累乘步长仍是 2；S4 后 $RF = 14 + 1\times2 = 16$，累乘步长变 4；C5 后 $RF = 16 + 4\times4 = 32$。最后一层输出 1×1 时感受野恰好是 32，正好等于整个输入图像的大小。这不是巧合，是网络设计者刻意安排的结果——输出层的每一个神经元都应该"看到"完整图像。这个自洽性检验非常好用：如果你设计完一个分类网络，算出来最后一层的感受野明显小于输入尺寸，说明网络根本没看全图像，性能上限就被锁死了。
相反的情况也值得警惕。我做过一个医学图像分类的任务，输入 512×512，但网络只有五层下采样，算下来感受野不到 300。模型在训练集上表现不错，验证集一直上不去，换成更深的骨干网络之后才正常。后来复盘，根本原因就是有效感受野覆盖不了病灶的完整范围。
4.2 参数量和计算量的估算方法
卷积层的参数量公式很直接：
$$Params = k_h \times k_w \times C_{in} \times C_{out} + C_{out}$$
最后那一项是偏置，如果bias=False就去掉。计算量（以乘加次数计）则是：
$$FLOPs = H_{out} \times W_{out} \times C_{out} \times k_h \times k_w \times C_{in}$$
把 LeNet-5 的三层卷积代进去看看：C1 是 $28\times28\times6\times25\times1 \approx 11.8$ 万次，C3 是 $10\times10\times16\times25\times6 = 24$ 万次，C5 是 $1\times1\times120\times25\times16 = 4.8$ 万次。总共约 40 万次乘加，放到今天连手机的零头都算不上。可就是这个小网络，在当年把手写数字识别的错误率压到了很低。
对比一下现代网络就能感受到量级差异。一个 3×3 卷积，输入输出都是 256 通道，特征图 56×56，计算量是 $56\times56\times256\times9\times256 \approx 1.85$ 亿次乘加，比整个 LeNet-5 大了四百多倍。所以当你发现显存不够的时候，优先砍的应该是特征图空间尺寸和通道数同时较大的那些层，而不是无脑减层数。
4.3 为什么 3×3 堆叠比大核更划算
这个结论值得单独说，因为它直接决定了现代网络的形态。
一个 5×5 卷积，输入输出通道都是 $C$，参数量是 $25C^2$。换成两个 3×3 卷积串联，参数量是 $2 \times 9C^2 = 18C^2$，少了将近三成；感受野是 $3 + 2 = 5$，和单个 5×5 完全一样。再往上，三个 3×3 堆叠感受野是 7，参数量 $27C^2$，而单个 7×7 要 $49C^2$，省了将近一半。
除了参数更省，堆叠还有一个更重要的好处：每两个卷积之间都夹着一层非线性激活。单个 5×5 卷积只做了一次线性变换加一次激活，而两个 3×3 做了两次，表达能力更强。这就是 VGG 之后几乎所有主流骨干网络都采用 3×3 小核堆叠的原因。
不过也有例外。在网络的浅层，尤其是第一层，输入通道数很小（1 或者 3），参数量本来就不大，这时候用 7×7 或者 5×5 的大核配上较大步长，能更快地压缩空间尺寸、扩大感受野，性价比反而更高。我自己的经验是：第一层用大核大步长做快速下采样，中间主体用 3×3 堆叠，最后一层用全局池化收尾，这个组合在大多数视觉任务上都很稳。
5. 尺寸对不上怎么办：常见问题速查
5.1 六种典型的尺寸错位原因
| 现象 | 常见原因 | 排查方法 | 处理建议 |
|---|---|---|---|
| 两条分支相加报错 | stride=2 的卷积遇到奇数输入，取整后差 1 | 打印两条分支的输出形状 | 保证输入为偶数，或改用池化下采样 |
| 拼接时通道对不上 | 把输入通道当成了输出通道 | 检查卷积层的 out_channels | 记住输出通道等于卷积核个数 |
| 全连接层输入维度算错 | 漏乘了空间尺寸，或误算 C5 为 5×5 | 把卷积输出 shape 打印出来 | 用flatten(1)让框架自己算 |
| 空洞卷积后尺寸缩小 | 填充量没随膨胀率同步调整 | 检查 p 是否等于 d(k-1)/2 | 膨胀率变了，填充必须跟着变 |
| 上采样后尺寸差 1 | 转置卷积的 output_padding 没设 | 反推公式验证 | 补齐 output_padding 或用插值替代 |
| 池化后奇数尺寸丢像素 | 默认向下取整 | 看输入尺寸奇偶性 | 输入调成偶数，或开 ceil_mode |
| 推理时尺寸和训练不符 | 用了固定尺寸的全连接层 | 对比两个阶段的输入尺寸 | 换自适应池化，支持动态输入 |
5.2 几条踩坑换来的实操经验
第一条，先写尺寸表，再写代码。我在设计任何新网络时，第一件事是在纸上（或者表格里）把每一层的输入尺寸、核、步长、输出尺寸列出来，确认最后能收敛到期望的大小，然后才开始写代码。这个习惯让我省下的调试时间，比写这张表花的时间多十倍都不止。
第二条，把形状检查当断言用。关键分支合并的地方，加一行形状断言，一旦尺寸不匹配立刻报错，而不是等到训练几个小时后才发现 loss 异常。位置成本几乎为零，收益极高。
第三条，动态尺寸输入要谨慎。如果你的部署场景需要处理不同分辨率的输入，网络里所有依赖固定尺寸的操作（固定输入的全连接层、某些自定义 reshape、位置编码）都得改。最稳妥的做法是全卷积化加全局池化，让网络对输入尺寸天然免疫。但要注意，全卷积化之后，浅层 padding 较多的卷积在边界处的计算会引入一些误差，尺寸越小这个影响越明显，所以也别把输入缩得太小。
第四条，注意框架之间的差异。同样的配置，不同框架的默认行为可能不一样。有的框架是"通道在前"，有的是"通道在后"，打印形状时一定要看清楚维度的顺序，否则你会把 batch 维度当成通道维度，然后困惑为什么通道数对不上。我自己就因为这个在跨框架迁移权重时白白折腾了半个下午。
第五条，不要迷信工具输出的计算量数字。不同工具对 FLOPs 的定义不一样，有的算一次乘加为 1 次，有的算 2 次；有的把激活层的开销也算进去，有的不算。做模型对比的时候，一定用同一个工具、同一个设置去测，否则数字之间没有可比性。
5.3 常用配置速查
需要保持尺寸不变时，直接查这张表：
| 核尺寸 | 步长 | 填充 | 输出相对输入 | 典型用途 |
|---|---|---|---|---|
| 1 | 1 | 0 | 不变 | 通道变换、瓶颈结构 |
| 3 | 1 | 1 | 不变 | 主力卷积层 |
| 5 | 1 | 2 | 不变 | 浅层大核 |
| 7 | 1 | 3 | 不变 | 网络第一层 |
| 3 | 2 | 1 | 约减半（向上取整） | 下采样 |
| 2 | 2 | 0 | 减半（向下取整） | 池化下采样 |
| 4 | 2 | 1 | 精确减半 | 转置卷积上采样 |
需要扩大到指定倍数时，转置卷积的配置反推一下：想让输出精确等于输入的 2 倍，$k=4, s=2, p=1$ 是最干净的组合，因为 $k$ 能被 $s$ 整除，不会产生棋盘格。3 倍上采样同理用 $k=6, s=3, p=2$。
最后分享一个我平时用得最多的检查套路：不管多复杂的网络，先在纸上把尺寸链算一遍，然后用真实 batch size 跑一次前向，把每层形状打出来逐行核对，最后再算一遍感受野确认覆盖范围。这三步做完，网络结构层面的问题基本就清零了，剩下的才轮到数据和优化器的问题。我前后带过几个新人，让他们养成这个习惯之后，卡在形状报错上的时间明显少了很多，能把精力放到真正重要的地方去。
