CNN输出维度计算及工作原理：64×64图像卷积后维度解析

卷积层的输出维度由输入尺寸、卷积核尺寸、**步长（stride）和填充（padding）**共同决定，以下是几种常见场景的计算结果：

• 默认配置（stride=1，padding=0，无填充）：
  输出高/宽公式为：(输入尺寸 - 卷积核尺寸) / 步长 + 1
  代入数值得：(64 - 3)/1 + 1 = 62，通道数等于卷积核数量32，最终输出维度为 62×62×32。
• Same Padding（填充后输出尺寸与输入一致，padding=1）：
  输出高/宽保持64不变，通道数32，维度为 64×64×32。
• 步长为2（stride=2，padding=0）：
  计算得(64-3)/2 +1 = 31.5，实际深度学习框架会做向下取整处理，输出高/宽为31，维度是 31×31×32。

卷积核的滑动逻辑可以这么理解：

• 每个3×3卷积核会在输入图像的高、宽两个方向上滑动，滑动的步长由stride参数控制（默认步长为1，即每次滑动1个像素）。
• 由于输入是3通道，每个卷积核也对应3组3×3的权重矩阵（与输入通道数匹配），当滑动到某个位置时，卷积核会和对应区域的3通道输入做元素相乘后求和，得到该位置的一个特征值。
• 32个独立的卷积核会各自生成一张单通道特征图，最后将这32张特征图堆叠，就得到了卷积层的32通道输出。

内容的提问来源于stack exchange，提问作者Jash Jasani