在此tutorial中，输出量在输出[25]中说明，感受域在输出[26]中指定。
好的，输入量[3, 227, 227]与大小为[3, 11, 11]的区域进行卷积。
使用此formula (W−F+2P)/S+1 ，其中：
W =输入音量
F =接受字段大小
P =填充
S = stride
... (227 - 11)/4 + 1 = 55的结果，即 [55 * 55 * 96] 。到目前为止一切顺利：）
对于'pool1'，我认为他们使用F=3和S=2？计算结果：55-3/2+1=27。
从这一点来说，我有点困惑。第二个网络层的感知字段为[48, 5, 5]，但“conv2”的输出等于[256, 27, 27]。这里发生了什么计算？
然后，'conv3'到'conv4'的输出音量的高度和宽度都是相同的[13, 13]？这是怎么回事？
谢谢！
答案 0 :(得分：3)
如果仔细观察parameters of conv2 layer，您会注意到
<img /> <img /> <img /> <br />
<img class="lg" />也就是说，输入blob被周围的2个额外像素填充，因此公式现在是
pad: 2
从两边填充27 + 2 + 2 - ( 5 - 1 ) = 27
的内核大小5像素会产生相同的输出大小。