使用卷积神经网络时，需要明确卷积层输入输出的尺寸关系，计算公式如下。
这样抽象，举个例子，这是pytorch官方给出的手写字识别的网络结构：
3359 py torch.org/tutorials/beginner/blitz/neural _ networks _ tutorial.html # sphx-glr-beginner-blitz-nener
这里是网络结构图：
这是对应的代码：
importtorchimporttorch.nnasnnimporttorch.nn.functionalasfclassnet (nn.module ) : def __init__(self ) 333333330 6 output channels，5x5square convolution # kernel self.con v1=nn.conv 2d5) self.con v2=nn.conv 2d (6，16，5 ) anaffinv 120 )5*5fromimagedimensionself.fc2=nn.linear (120，84 ) self.fc3=nn.linear (84，10 ) defforward ) self，fcf 10 ) self 2) windowx=f.max_pool2d(f.relu ) self.conV1(x )，(2) ) # If the size is a square，youcanspecifywithasion 2 ) x=torch.flatten(x ) x，1 ) flattenalldimensionsexceptthebatchdimensionx=f.relu (self.fc1 ) x ) x=f.relu
第一个参数是输入通道数，第二个参数是输出通道数，第三个参数是卷积核大小。
torch.nn.conv2d(in_channels，out_channels，kernel_size，stride=1，padding=0，dilation=1，groups=1)
然后带着公式计算
H=(32 - 5 2 * 0)/1 1=28
W=(32 - 5 2 * 0)/1 1=28
D=6
折叠后尺寸为28、28、6
然后进行池化，x=f.max _ pool 2d (f.relu (self.con v1 (x )，2，2 ) )的池化，即每2x2个区域取一个值。 下图是最大池化的过程
此时，尺寸为(14、14、6 )
接着进行第2次卷积，输入尺寸(32、32、1 )的图像，对应的代码为self.conv2=nn.conv2d ) 6、16、5，带入公式进行计算
H=(14 - 5 2 * 0)/1 1=10
W=(14 - 5 2 * 0)/1 1=10
D=16
折叠后尺寸为[10、10、16]
然后进行第二次池化，是使用x=f.max _ pool 2d (f.relu (self.con v2 (x )、2 )、也(2、2 ) )的池化，池化后为) 5、5、16 )
即，与下一个所有连接层对应的输入self.fc1=nn.linear (16 *5* 5，120 )