卷积尺寸计算公式 · 从切西瓜到特征图
卷积尺寸计算公式 本质上是一场关于数据分配的优雅游戏。就像切西瓜、切披萨，切多了边缘碎，切少了中间空。下面我们从直觉到公式，彻底搞懂 卷积核尺寸、步长 Stride、填充 Padding 如何影响输出特征图。
? 卷积核 · 瓢取瓜肉
想象一个高 H、宽 W 的二维矩阵（西瓜）。你拿一把刀（卷积 kernel），沿着特定路径瓢取瓜肉，拼成新形状。刀的大小就是 卷积核尺寸，常见 3×3、5×5。
- 核太小：感受野受限
- 核太大：参数爆炸
? 步长 Stride · 走对角线
步长（Stride） 控制卷积核每次移动的像素数。步长=1 时输出密集；步长=2 时输出尺寸减半，类似下采样。
- 大步长 → 数据量小，适合小模型
- 小步长 → 数据量大，适合大模型
⬜ 填充 Padding · 加白边
在图片四周加白边（零填充），避免边界信息丢失。padding 让卷积核能“切”到边缘，保持输出尺寸可控。
- valid 填充：不补零，输出缩小
- same 填充：补零后输出尺寸 = 输入/步长
? 核心公式拆解 · 加减乘除如算账
基础公式： 输出宽度 = (输入宽度 - 卷积核宽度 + 2 × 填充) / 步长 + 1
当填充为 0 (valid) 时：Output Width = Input Width - Kernel Width + 1 （步长为1时）。
? 这个公式看着冷冰冰，实际上就是个简单的除法，就像算账：你有一排西瓜 (W)，用宽度为 K 的刀，每次移动 S 步，能切几次？
输入 5×5，核 3×3，步长 1，无填充
输出 = 5 - 3 + 1 = 3 （奇数 ✅）
输入 6×6，核 2×2，步长 1
输出 = 6 - 2 + 1 = 5 （奇数 ✅）
输入 6×6，核 3×3，步长 1
输出 = 6 - 3 + 1 = 4 （偶数 ⚠️ 数据重叠）
? 步长不同 · 输出形状大不同
步长为 1 · 密集输出
拿一个 3×3 卷积核去卷积 5×5 图像，步长=1，输出全 1 的 5×5 矩阵？实际上输出尺寸为 3×3（valid）。但若 padding='same' 且 stride=1，输出为 5×5。这里强调：步长=1 时输出尺寸接近输入，计算量大，但保留精细空间信息。
- 优点：信息损失少
- 缺点：容易过拟合，参数多
步长为 2 · 下采样效果
步长=2 时，输出尺寸大约减半。例如输入 5×5，核 3×3，步长2，无填充：输出 = (5-3)/2 +1 = 2。输出为 2×2，边缘信息保留但分辨率下降。步长=2 常用于替代池化层。
- 数据量减少，计算更快
- 可能丢失细节
步长 = 核宽 · 极端下采样
当步长等于核宽度（如核5×5，步长5），每次只取一行/一列，输出尺寸直接除以核宽。早期网络如AlexNet局部用，现在较少。因为信息量锐减，训练效果可能变差。
- 输出尺寸 = 输入/核宽 (整除)
- 容易丢失边界响应
? 输出宽度务必是奇数 · 中心对称的直觉
为什么强调输出宽度是奇数？因为卷积核是中心对称的，从中间往左、右各取一段等效。若输出偶数，中间两个位置数据重叠，破坏纯净性。
✅ 奇数输出 (5)
中间位置只计算一次，两边对称，特征图干净。例如 6×6 输入，核2×2，步长1 → 输出5 (奇数)，每个位置权重清晰。
⚠️ 偶数输出 (4)
中间两个位置数据重叠，两边各一次，导致数值不均匀。如 6×6 输入，核3×3，步长1 → 输出4 (偶数)，中间数据被重复计算。
像素对齐： 人类视觉沿着网格线定义，奇数输出保证中心像素对齐网格中心，避免额外计算。若算出偶数，调整步长、核大小或输入尺寸。
⏳ 卷积尺寸设计演进 · 时间轴
· AlexNet 大步长
使用 11×11 大核，步长4，快速下采样。输出尺寸骤减，但边缘信息丢失较多。当时GPU算力有限，步长=4 降低计算量。
· VGG 小核堆叠
全部采用 3×3 卷积，步长1，padding='same'，输出尺寸不变。通过堆叠层数增加感受野，奇数输出 原则自然满足。
· ResNet 与瓶颈设计
引入 1×1 卷积调整通道，步长2下采样。输出尺寸减半时保持奇数，例如 56→28→14→7，均为奇数，利于信息传递。
+ · 高效网络与自动搜索
神经架构搜索自动选择核尺寸与步长，但 输出奇数 仍是硬约束。混合精度下偶数输出可能引起对齐偏差。
? 像素对齐与边缘处理 · 更深层的直觉
人类看图片时沿四条线定义网格。卷积核定义在网格上，若输出宽度为偶数（如4），输出矩阵与网格对齐不一致，增加计算开销。奇数输出 保证中心对齐。
实际编码时，若算出偶数，可调整步长或增加padding。例如输入 7×7，核3×3，步长1 → 输出5 (奇数)；若输入 8×8，核3×3，步长1 → 输出6 (偶数)，此时可设置padding=1，输出 = (8+2-3)/1+1=8 (偶数) 仍为偶数，需配合步长或核尺寸。
? 快速自查表
- 输入奇数？✅ 优先
- 步长1 + same padding → 输出=输入
- 步长2 → 输出 ≈ 输入/2 (向下取整)
- 避免偶数输出，除非特殊设计
? 卷积尺寸核心三原则
- 第一步： 用核宽度减去步长的倍数，再加上 1 (考虑填充)。
- 第二步： 若算出偶数，调整步长、核尺寸或输入尺寸，确保 输出为奇数。
- 第三步： 步长取多少看策略：大步长数据量小 (适合小模型)，小步长数据量大 (适合大模型)。
别死磕奇数，有时候为了效率，哪怕略微碰到偶数，也能先跑起来，等训练稳了再调回来。毕竟 卷积尺寸计算公式 是个关于数据量的分配游戏。