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。

图像卷积输出尺寸 - 卷积或池化后的特征图尺寸

🖼️ CNN Feature Map Size Calculator

Enter input size, kernel size, stride and padding to compute the feature-map size after convolution or pooling. Built for CNN architecture design and receptive-field checks.

📐 计算公式 / 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。

输入尺寸

卷积核大小

步长

填充

空洞率

📚 深度解析：图像卷积输出尺寸

💡 常见使用场景

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。

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。

❓ 常见问题（FAQ）

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。

Formula & Standard References

Item	Formula / Note	Source / Standard
Convolution output	output = floor((input - kernel + 2 x padding) / stride) + 1	Deep learning texts
Pooling output	pooling follows the same formula and usually pads nothing	Deep learning texts
Receptive field	stacked layers expand the receptive field by kernel and stride	Deep learning texts

图像卷积输出尺寸