CNN结构：

Input(输入层)----> Conv(卷积)---->Relu(激活)---->Pool(池化)---->FC(全连接)

输入层参数介绍：

卷积层参数介绍：

卷积计算公式： N 输出大小 = (W输入大小 − Filter + 2Padding )/Stride+1 反卷积计算公式： N 输出大小 = (W输入大小 − 1 )*Stride+Filter - 2 *Padding 注意：卷积向下取整，池化向上取整。

池化层参数介绍：

池化计算公式： 输出大小 = (输入大小 − Filter)/Stride+1

作用： maxpooling有局部不变性而且可以提取显著特征的同时降低模型的参数，从而降低模型的过拟合。 因为只是提取了显著特征，而舍弃了不显著的信息，是的模型的参数减少了，从而一定程度上可以缓解过拟合的产生。

理论上来说，卷积核的大小可以是任意的，但绝大部分的CNN中使用的卷积核都是奇数大小的正方形，如1x1,3x3,5x5,7x7,11x11等，也有长方形的卷积核，如Inceptionv3中3x3的变成1x3和3x1。 为什么CNN中的卷积核一般都是正方形，没有长方形？

大小选择一般为3x3的较多，越小越好，降低参数数量，降低复杂度。多个小卷积核比一个大卷积核好，原因有两点：

1.减少了参数量 2.3个3x3卷积核=1个7x7卷积核=1个5x5卷积核

以Mnist为例，图片28x28，使用5x5的卷积核，stride=1对其卷积，Result=（28-5)/1+1=24 用两个3x3卷积核： (28-3）/ 1+1=26 (26-3）/ 1+1=24

等于输出特征图的通道数，卷积核的数量越多，意味着提取的特征种类越多，通常会取2^n个，按照16的倍数倍增

卷积层数设置，选最好性能的那个模型，它是几层那就设置几层。 这个是训练数据，激活函数，梯度更新算法等多方面的影响，也不是简单就试出来的。

参考一个ppt发现：

卷积核为3时 padding 选择1 卷积核为5时 padding 选择2 卷积核为7时 padding 选择3 上述只是原则上的设置，实际上还是按模型该有的参数设置比较好，毕竟人家都调参优化好了。。。。

步长通常不会超过卷积核宽度或长度，步长大于1的时候有下采样的效果，比如步长为2时，可以让feature map的尺寸缩小一半。

1.卷积神经网络的卷积核大小、卷积层数、每层map个数都是如何确定下来的呢？ 2. CNN中stride（步幅）和padding（填充）的详细理解 3. 卷积神经网络的参数计算 4. 卷积神经网络中各个卷积层的设置及输出大小计算的详细讲解