输入图像尺寸是64*64

Question

卷积层，池化层，归一化层该怎么填，我算的输出越来越少，池化层也要用公式算吗，层数怎么知道

Answer 1

以下回复参考：皆我百晓生、券券喵儿等免费微信小程序作答:

从您给出的代码和问题来看，似乎您在尝试构建一个神经网络模型，特别是涉及到卷积层、池化层和归一化层的尺寸计算。首先，需要理解的是每一层的输出尺寸是由前一层的输出尺寸和当前层的参数（如卷积核大小、步长、填充等）决定的。下面我会针对您给出的不同情况进行分析和解答。

1. 卷积层参数计算: 卷积层的输出尺寸计算公式为：W_out = (W_in + 2×padding - kernel_size) / stride + 1。其中，W_in是输入宽度，padding是填充大小，kernel_size是卷积核大小，stride是步长。这个公式可以帮助您计算经过卷积层后的输出尺寸。
2. 池化层: 池化层（如最大池化层）通常用于减小特征图的尺寸。池化层的输出尺寸计算公式与卷积层类似，只是不需要考虑填充和卷积核大小。池化层的输出宽度 W_pool_out = (W_pool_in - pool_kernel_size) / stride + 1，其中 pool_kernel_size 是池化核大小。您需要根据具体使用的池化层参数计算输出尺寸。
3. 归一化层: 归一化层（如批量归一化层）不改变特征图的尺寸，它主要是用于提高模型的训练速度和稳定性。因此，归一化层的输出尺寸与输入尺寸相同。

关于如何填写图1和图2中的注释部分，需要根据您网络中每一层的具体参数来计算输出尺寸。例如，对于第一个卷积层 self.conv1，您需要知道其输入尺寸（这里是64x64）以及卷积核大小、步长、填充等参数来计算输出尺寸。然后，这个输出尺寸会成为下一个池化层和归一化层的输入尺寸，以此类推。您需要按照这种方式逐层计算，确保每一层的输出尺寸与下一层的输入尺寸相匹配。

对于图3和图4中的mixed_net类，您已经定义了每一层的参数。您需要确保每一层的输入尺寸与输出尺寸相匹配。例如，第一个卷积层的输出会作为第一个池化层的输入，您需要确保卷积层的输出尺寸适合接下来的池化层。同样地，池化层的输出会成为下一个卷积层的输入，依此类推。此外，对于全连接层 self.fc1 和 self.fc2，它们的输入尺寸是基于前面特征图的最终尺寸计算的。

关于层数的确定，这通常取决于您的应用需求和网络设计。不同的任务可能需要不同数量的层和不同的层类型。您可以基于您的任务、数据集以及现有网络架构（如VGG、ResNet等）来决定层数。

总之，您需要逐层计算每一层的输出尺寸，并确保它们与下一层的输入尺寸相匹配。同时，层数的确定需要基于您的具体任务和网络设计来决定。