卷积神经网络入门：详解filter数量、通道数与输出特征图大小的关系

1次阅读

共计 1639 个字符，预计需要花费 5 分钟才能阅读完成。

卷积神经网络 (CNN) 是计算机视觉领域的基石，但在构建 CNN 时，初学者常对卷积层的三个核心参数——filter 数量、输入通道数和输出特征图尺寸之间的关系感到困惑。本文将系统解析这些参数的数学关系，并通过 PyTorch 实验验证理论推导。

卷积层的核心计算可表示为：

$$\text{Output}(i,j) = \sum_{c=1}^{C_{in}} \sum_{u=-k}^{k} \sum_{v=-k}^{k} \text{Input}(i+u,j+v,c) \cdot \text{Filter}(u,v,c) + b$$

其中：
– $C_{in}$ 是输入通道数
– $k$ 是卷积核半径（实际尺寸为 $(2k+1)\times(2k+1)$）

输出特征图尺寸由以下公式决定：

$$W_{out} = \left\lfloor \frac{W_{in} + 2\times \text{padding} – \text{kernel_size}}{\text{stride}} \right\rfloor + 1$$

输入张量：形状为 $[N, C_{in}, H_{in}, W_{in}]$
$N$：batch 大小
$C_{in}$：输入通道数
滤波器组：形状为 $[C_{out}, C_{in}, K, K]$
$C_{out}$：filter 数量（即输出通道数）
$K$：卷积核尺寸
输出张量：形状为 $[N, C_{out}, H_{out}, W_{out}]$

import torch
import torch.nn as nn
import matplotlib.pyplot as plt

# 定义输入数据 (batch=1, 通道 =3, 高宽 =32)
input_tensor = torch.randn(1, 3, 32, 32)

# 案例 1：常规卷积
conv1 = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=3, stride=1, padding=1)
output1 = conv1(input_tensor)
print(f'案例 1 输出 shape: {output1.shape}')  # [1, 64, 32, 32]

# 案例 2：stride= 2 的卷积
conv2 = nn.Conv2d(3, 64, 3, stride=2, padding=1)
output2 = conv2(input_tensor)
print(f'案例 2 输出 shape: {output2.shape}')  # [1, 64, 16, 16]

# 可视化特征图
plt.figure(figsize=(10,5))
plt.subplot(121)
plt.title('stride= 1 输出')
plt.imshow(output1[0,0].detach().numpy(), cmap='gray')
plt.subplot(122)
plt.title('stride= 2 输出')
plt.imshow(output2[0,0].detach().numpy(), cmap='gray')
plt.show()

常见错误配置
输入通道数与 filter 通道数不匹配
padding 不足导致特征图尺寸意外缩小
stride 过大造成信息丢失
计算量估算
单个卷积层的 FLOPs 计算公式：
$$\text{FLOPs} = C_{out} \times H_{out} \times W_{out} \times C_{in} \times K \times K$$
显存优化建议
合理控制 filter 数量与网络深度
使用深度可分离卷积
适当增加 stride 减少特征图尺寸