Neural network 如何计算卷积输入形状/大小？

如果我有输出形状、过滤器形状、跨步和填充，

过滤器形状：

[内核高度、内核宽度、输出深度、输入深度]

输出形状：

[批次、高度、宽度、深度]

strips=[1,1,1,1]

padding='VALID'

我可以获得输入形状吗？

比如说,

过滤器形状：

[3,3,1,1]

输出形状：

[1,1,1,1]

我可以计算固定输入形状

[1,3,3,1]

吗？如何计算

---

你有计算形状的代码吗？因为我认为我不需要自己写它。

这是批处理，高度+内核高度-1，宽度+内核宽度-1，输入深度

批处理

开始时比较明显，最后的

输入深度也比较明显。要理解<代码>高度+Kelnel-Health- 1 ，请考虑如何应用内核。如果您输入的图像是10×10，并且应用了一个3×3的内核，您将在水平方向上将其应用于位置0、1、…、7，总共8个不同的位置，类似的想法适用于内核如何垂直移动，这将导致输出映射的大小
8x8
。如果你推广这个想法，你会看到输出映射的大小是
width+kernel-1，height+kernel-1
，这意味着如果你有输出映射的大小，要得到输入的大小，你需要反转操作，这将导致
width-kernel+1，height-kernel+1

这仅对填充类型“valid”有效。如果类型为“相同”，则输出将被填充以匹配输入的尺寸，因此输入形状将为
batch、height、width、input\u depht