卷积核尺寸如何计算？

这里可以记住一个不改变输出尺寸的5 1 2 采用卷积核5*5，填充为2，和步长为1，这样计算好点结果就是不改变输出尺寸的

• Input_size：输入特征图的高度或宽度（如 256）。
• ​Kernel_size​：卷积核尺寸（如 3×3 的核，Kernel_size=3）。
• ​Padding​：边缘填充的像素数（如填充 1 圈，Padding=1）。
• ​Stride：卷积核滑动步长（如步长 2，Stride=2）。
• ​⌊·⌋​：向下取整运算符（确保结果为整数），如果计算出的几个不整，那么就向下取整！

⚙️ ​卷积核尺寸选择建议​

1. ​小卷积核（3×3）​​：

   • ​优势​：参数少、计算高效，通过堆叠可捕获复杂特征（如边缘、纹理）。
   • ​适用场景​：图像分类、目标检测的浅层网络（如 ResNet、VGG）。

2. ​大卷积核（5×5 或 7×7）​​：

   • ​优势​：单层感受野大，适合捕捉全局特征（如卫星图像中的大尺度物体）。
   • ​风险​：参数量大，易过拟合（需充足数据）。

3. ​1×1 卷积核​：

   • ​作用​：通道数调整（降维/升维），不改变空间尺寸。
   • ​应用​：Inception 模块、MobileNet 中的轻量化设计