Neural network 为什么VGG-16采用512*7*7的输入大小？

据

我不明白为什么VGG模型采用512*7*7输入大小的全连接层。 最后一层是卷积层

• Conv2d（512，512，内核大小=3，填充=1）
• nn.ReLU（正确）
• nn.MaxPool2d（内核大小=2，步幅=2，膨胀=1）

上面链接中的代码

VGG类（nn.Module）：
def_uuuinit_uuu（self，features，num_classes=1000，init_weights=True）：
超级（VGG，self）。\uuuuu init\uuuuuuu（）
self.features=特征
self.classifier=nn.Sequential(
nn.线性（512*7*74096），
nn.ReLU（正确），
nn.Dropout（），
nn.线性（40964096），
nn.ReLU（正确），
nn.Dropout（），
nn.线性（4096，数量级），
)

要理解这一点，您必须了解卷积运算符如何适用于CNN。

nn.Conv2d（512，512，kernel_size=3，padding=1）

表示该卷积的输入图像有512个通道，卷积后的输出也将有512个通道。输入图像将与一个大小为3x3的内核进行卷积，该内核作为滑动窗口移动。最后，

padding=1

意味着在应用卷积之前，我们对称地将零添加到输入矩阵的边缘

在您所说的示例中，您可以认为512是深度，而7x7是通过应用几个卷积获得的宽度和高度。想象一下，我们有一个具有一定宽度和高度的图像，我们将其输入到卷积运算中，得到的大小将是

owidth  = floor(((width  + 2*padW - kW) / dW) + 1) 
oheight = floor(((height + 2*padH - kH) / dH) + 1)

其中，

height

和

width

是原始大小，

padW

和

padH

是高度和宽度（水平和垂直）填充，

kW

和

kH

是内核大小，

dW

和

dH

是内核移动的宽度和高度（水平和垂直）像素（即，如果它是

dW=1

，则内核首先位于像素（0,0），然后移动到（1,0））

---

通常，CNN中的第一个卷积运算符看起来像：

nn.Conv2d（3，D，kernel_size=3，padding=1）

，因为原始图像有3个输入通道（RGB）。如果我们应用前面定义的运算符，则假设输入图像的大小为256x256x3像素，结果图像的宽度和高度与输入图像相同，但其深度现在为D。同样，如果我们将卷积定义为

c=nn.Conv2d（3,15，内核大小=25，填充=0，跨步=5）

使用

kernel_size=25

，输入图像中没有填充，使用

stride=5

（

dW=dH=5

，这意味着内核每次移动5个像素，如果我们在（0,0）位置，那么它将移动到（5,0），直到我们到达图像在x轴上的末端，然后它将移动到（0,5）->（5,15），直到它再次到达末端）结果输出图像的大小为47x47xD

VGG神经网络有两部分层：特征层和分类器层。特征层的输入始终是大小为224 x 224像素的图像

功能层有5个

nn.MaxPool2d（kernel\u size=2，stride=2）

卷积。请参阅参考源代码第76行：配置中的每个“M”字符设置一个MaxPool2d卷积

带有这些特定参数的MaxPool2d卷积将张量大小减少一半。因此，我们有224-->112-->56-->28-->14-->7，这意味着要素层的输出是512个通道*7*7张量。这是“分类器”层的输入