图像卷积输出尺寸
输入输入尺寸、卷积核、步长与填充，计算卷积或池化后的特征图尺寸，适用于 CNN 结构设计、模型维度核对与部署适配。
🖼️ CNN Feature Map Size Calculator
Enter input size, kernel size, stride and padding to compute the feature-map size after convolution or pooling. Built for CNN architecture design and receptive-field checks.
📐 计算公式 / 原理
输出尺寸 = ⌊(W + 2P − K − (K − 1)(D − 1))/S⌋ + 1；感受野 = K + (K − 1)(D − 1)
卷积输出尺寸由输入宽、卷积核、填充、步长与膨胀率共同决定，结果须为整数，非整除时多数框架向下取整（丢弃边缘）。膨胀卷积用 (K−1)(D−1) 扩大感受野而不增加参数，适合密集预测任务。
📐 计算公式与说明
Out = ⌊(W + 2P − K − (K−1)(D−1)) / S⌋ + 1
用于设计 CNN 网络结构。
📚 深度解析：图像卷积输出尺寸
💡 常见使用场景
- 输出尺寸 out=⌊(in+2×pad−kernel)/stride⌋+1（向下取整）。
- 池化层用相同公式；空洞卷积需把 kernel 替换为 dilation×(k−1)+1。
- 设计 CNN 时需逐层推算特征图尺寸，确保首尾维度匹配、不出现负数。
卷积层尺寸推算
输入 224×224，kernel=3, stride=1, padding=1 → out=224。若 stride=2 → out=⌊(224+2−3)/2⌋+1=112，特征图减半，通道数不变。
❓ 常见问题（FAQ）
- padding 有什么用？
- same padding(使 out=in/stride)保护边缘信息、控制尺寸；valid(无填充)逐步缩小特征图。边缘像素被卷积覆盖次数少，填充可缓解边缘信息丢失。
- 输出出现小数或负数说明什么？
- 说明参数组合非法(如 stride 过大、kernel 超过输入)。需调小 stride、增大 padding 或减小 kernel，直到公式结果≥1。