图像卷积输出尺寸 使用指南

输入输入尺寸、卷积核、步长与填充，计算卷积或池化后的特征图尺寸，适用于 CNN 结构设计、模型维度核对与部署适配。

计算公式与原理

输出尺寸 = ⌊(W + 2P − K − (K − 1)(D − 1))/S⌋ + 1；感受野 = K + (K − 1)(D − 1)

卷积输出尺寸由输入宽、卷积核、填充、步长与膨胀率共同决定，结果须为整数，非整除时多数框架向下取整（丢弃边缘）。膨胀卷积用 (K−1)(D−1) 扩大感受野而不增加参数，适合密集预测任务。

使用步骤

1. 填写「输入尺寸」。
2. 填写「卷积核大小」。
3. 填写「步长」。
4. 填写「填充」。
5. 填写「空洞率」。
6. 结果区会即时更新；可一键复制结果用于记录或汇报。

典型使用场景

• 输出尺寸 out=⌊(in+2×pad−kernel)/stride⌋+1（向下取整）。
• 池化层用相同公式；空洞卷积需把 kernel 替换为 dilation×(k−1)+1。
• 设计 CNN 时需逐层推算特征图尺寸，确保首尾维度匹配、不出现负数。

算例参考

• 卷积层尺寸推算：输入 224×224，kernel=3, stride=1, padding=1 → out=224。若 stride=2 → out=⌊(224+2−3)/2⌋+1=112，特征图减半，通道数不变。

注意事项

结果为按上述公式得到的理论估算值，实际表现受数据分布、实现细节与运行环境影响，落地决策请以实测为准；本工具纯前端运行，输入不上传服务器。

padding 有什么用？

same padding(使 out=in/stride)保护边缘信息、控制尺寸；valid(无填充)逐步缩小特征图。边缘像素被卷积覆盖次数少，填充可缓解边缘信息丢失。

输出出现小数或负数说明什么？

说明参数组合非法(如 stride 过大、kernel 超过输入)。需调小 stride、增大 padding 或减小 kernel，直到公式结果≥1。