卷积输出大小计算方法
tensorflow中的常用卷积操作API
正向卷积：Conv2D()
举例：
... Conv2D(128, kernel_size=4, padding="same") # 128个过滤器（128维），卷积核大小为4，边缘填充 # 注：此处步长为默认值1，此时使用padding="same"，输出数据的形状会保持不变（与输入一致） # 若步长不为1，则根据计算公式计算（后面会介绍） 升采样：UpSampling2D()
举例：
... model.add(Reshape((7, 7, 128)))# Reshape成以下形状 model.add(UpSampling2D())# 上采样，对数据进行插值,形状变成之前的两倍 --->(None, 14, 14, 128) ... pytorch中的常用卷积操作API
正向卷积：nn.Conv2d()
举例：
nn.Conv2d(256, 512, 4, stride=1, bias=False), ... # 输入256通道，输出512通道，卷积核为4，步长为1 # 注：这里的"通道"指卷积操作之后得到的"特征图"的数量，而不是数据的形状 # 数据形状计算按照公式 转置卷积：nn.ConvTranspose2d（）【对应tf的tf.nn.conv2d_transpose】
举例：
nn.ConvTranspose2d(256, 128, 4, stride=2, bias=False) ... # 输入256通道，输出128通道，卷积核为4，步长为2，逻辑与Conv2d()类似 卷积操作输入输出数据形状的计算方法
假设输入是一个正方形，宽度与高度相等
那么计算卷积输出大小的公式是：
L形括号的意义是取括号内数值的数学下限
例如：2.3 --> 2
例子：
# 输入形状是28,28,1 # 16个过滤器（16维），卷积核大小为3，步数2，边缘填充 model.add(Conv2D(16, kernel_size=3, strides=2, input_shape=self.img_shape, padding="same")) model.add(LeakyReLU(alpha=0.2)) model.add(Dropout(0.25)) ''' 这里的输出需要计算 [(14-3)+2]/2+1=6.5+1=6+1=7(下取整) 因此，经过下面卷积层后，数据的形状为(None, 7, 7, 32) ''' model.add(Conv2D(32, kernel_size=3, strides=2, padding="same"))# (None, 7, 7, 32) 同样的，若输出是方形张量，则计算转置卷积输出大小的公式是：
