从零推导到实战应用：卷积与池化输出尺寸的完整计算指南

1. 卷积与池化输出尺寸的基础原理

第一次接触卷积神经网络时，我被那些不断变化的数字搞得晕头转向。明明输入是28x28的图像，经过几层卷积和池化后，怎么就变成了7x7？直到亲手推导了几次公式，才真正理解其中的计算逻辑。

卷积和池化的输出尺寸计算本质上是数学中的滑动窗口问题。想象一下，你拿着一个手电筒（卷积核）在黑暗的房间（输入图像）里慢慢移动，每次照亮一个小区域。手电筒的大小、移动的步长、以及房间边缘是否允许你探出身子，都会影响你最终能照到多少个不同的位置。

在PyTorch和TensorFlow中，这个计算过程被抽象成了几个关键参数：

• kernel_size：卷积核或池化窗口的大小（比如3x3）
• stride：每次移动的步长（默认通常是1）
• padding：在图像边缘添加的零值边框宽度
• dilation：卷积核元素间的间隔（高级用法，本文暂不讨论）

最基础的计算公式看起来很简单：

输出尺寸 = floor((输入尺寸 - 核尺寸 + 2*填充) / 步长) + 1

但这个简单的公式在实际应用中会产生很多变体，特别是在处理边缘情况和特殊参数组合时。

2. 卷积层输出尺寸的详细推导

2.1 基础公式的拆解

让我们用一个具体例子来理解这个公式。假设我们有一张8x8的灰度图像（不考虑通道数），使用3x3的卷积核，步长为1，padding为0。

按照公式计算：

(8 - 3 + 2*0)/1 + 1 = 6

这意味着输出将是6x6的特征图。为什么？因为3x3的卷积核在8x8的图像上，横向可以滑动6个位置（8-3+1），纵向同理。

实际验证一下：第一个卷积位置覆盖像素(0,0)到(2,2)，最后一个位置覆盖(5,5)到(7,7)。确实总共6x6=36个可能的位置。

2.2 填充(padding)的魔法

上面的例子中，我们注意到图像边缘的像素被卷积核访问的次数较少，这会导致边缘信息丢失。为了解决这个问题，我们引入padding——在图像边缘添加零值像素。

继续上面的例子，如果设置padding=1：

(8 - 3 + 2*1)/1 + 1 = 8

输出尺寸又变回了8x8。这是因为我们在图像四周各加了1像素的零值边框，相当于处理的是10x10的图像（8+2），然后：

(10 - 3)/1 + 1 = 8

在框架中，padding有两种常见模式：

• VALID：不自动添加padding，相当于padding=0
• SAME：自动计算padding使输出尺寸等于输入尺寸除以步长（向上取整）

2.3 步长(stride)的影响

步长决定了卷积核每次移动的距离。较大的步长会显著减小输出尺寸。例如，同样是8x8输入，3x3核，但stride=2：

(8 - 3 + 2*0)/2 + 1 = 3.5 → floor后为3

输出是3x3。这是因为卷积核从(0,0)开始，每次移动2像素，只能到达(0,0)、(0,2)、(0,4)三个横向位置（最远到(0,4)-(2,6)，无法到达(0,6)-(2,8)因为图像宽度只有8）。

3. 池化层输出尺寸的特殊考量

3.1 池化与卷积的异同

池化层的尺寸计算公式与卷积层完全相同，但有两个关键区别：

1. 池化层没有可学习的参数（没有权重）
2. 池化层通常使用更大的步长（如2）来快速降采样

例如，对于6x6输入，2x2最大池化，stride=2：

(6 - 2 + 2*0)/2 + 1 = 3

输出是3x3。每个2x2区域被缩减为1个值。

3.2 非整数结果的处理

当计算结果不是整数时，不同框架的处理方式可能不同。PyTorch默认会向下取整（floor），而TensorFlow的"SAME"模式会向上取整（ceil）。

例如，5x5输入，3x3池化，stride=2：

(5 - 3 + 0)/2 + 1 = 2

虽然严格计算是2.5，但实际输出是2x2。最后一个可能的池化窗口是(2,2)-(4,4)，无法再移动2步长。

4. 框架实战：PyTorch与TensorFlow对比

4.1 PyTorch中的实现

在PyTorch中，卷积层的定义非常直观：

import torch.nn as nn conv = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, stride=1, padding=1)

假设输入是224x224的RGB图像，输出尺寸计算：

(224 - 3 + 2*1)/1 + 1 = 224

保持了原始尺寸。

如果使用stride=2：

(224 - 3 + 2*1)/2 + 1 = 112.5 → 实际输出112

4.2 TensorFlow的特殊处理

TensorFlow提供了更灵活的padding计算方式：

import tensorflow as tf conv = tf.keras.layers.Conv2D(filters=16, kernel_size=3, strides=2, padding='same')

对于224x224输入，'same' padding会确保：

输出尺寸 = ceil(224 / 2) = 112

框架会自动计算需要的padding量（本例中padding=1）来满足这个条件。

5. 网络设计中的尺寸衔接技巧

5.1 经典网络中的尺寸变化

以ResNet为例，看看如何通过精心设计的参数保持尺寸一致性：

1. 第一层：224x224输入，7x7卷积，stride=2，padding=3

   (224 - 7 + 6)/2 + 1 = 112.5 → 112

2. 后续残差块：3x3卷积，padding=1，stride=1保持尺寸不变

5.2 尺寸不匹配的解决方案

当层间尺寸无法对齐时，常用解决方法：

• 调整padding：适当增加padding使除法能整除
• 使用1x1卷积：改变通道数而不影响空间尺寸
• 转置卷积：用于上采样，可以精确控制输出尺寸

例如，从7x7上采样到14x14：

nn.ConvTranspose2d(in_c, out_c, kernel_size=3, stride=2, padding=1, output_padding=1)

计算公式：

输出 = (输入 - 1)*stride + kernel_size - 2*padding + output_padding = (7-1)*2 + 3 - 2*1 + 1 = 14

6. 可视化工具与调试技巧

6.1 使用TensorBoard跟踪尺寸

在PyTorch中，可以这样记录各层尺寸：

from torch.utils.tensorboard import SummaryWriter writer = SummaryWriter() dummy_input = torch.randn(1, 3, 224, 224) writer.add_graph(model, dummy_input)

这会在TensorBoard中生成完整的计算图，清晰显示每层的输入输出尺寸。

6.2 常见错误排查

1. 尺寸突然减半：检查是否有意外的stride=2
2. 尺寸比预期大1：可能是padding计算错误
3. 通道数不匹配：确保前一层的out_channels等于后一层的in_channels

一个实用的调试技巧是在模型forward()中添加打印语句：

print(x.shape) # 检查每层前后的尺寸

7. 实战案例：构建图像分类器

7.1 设计网络架构

让我们设计一个简单的猫狗分类器，输入为128x128 RGB图像：

class CatDogClassifier(nn.Module): def __init__(self): super().__init__() self.conv1 = nn.Conv2d(3, 32, 3, padding=1) # 128->128 self.pool1 = nn.MaxPool2d(2, 2) # 128->64 self.conv2 = nn.Conv2d(32, 64, 3, padding=1) # 64->64 self.pool2 = nn.MaxPool2d(2, 2) # 64->32 self.fc = nn.Linear(64*32*32, 2) def forward(self, x): x = F.relu(self.conv1(x)) x = self.pool1(x) x = F.relu(self.conv2(x)) x = self.pool2(x) x = x.view(-1, 64*32*32) return self.fc(x)

7.2 尺寸计算验证

1. conv1: (128 - 3 + 2*1)/1 + 1 = 128
2. pool1: (128 - 2 + 0)/2 + 1 = 64
3. conv2: (64 - 3 + 2*1)/1 + 1 = 64
4. pool2: (64 - 2 + 0)/2 + 1 = 32

全连接层的输入尺寸是64通道3232=65536，这在实际中可能太大。更好的做法是在最后一个池化层后使用全局平均池化：

self.gap = nn.AdaptiveAvgPool2d(1) # 输出1x1 self.fc = nn.Linear(64, 2)

这样无论原始输入多大，最终都会缩减到64维向量。