参考

CNN简介（原图到特征图的映射）

1. 卷积有padding和stride，左上顶头开始，直到遍历完输入图像的所有像素（即使靠右靠下还有剩余padding也不再计算）。

奇数图像stride=(2,2)，no padding卷积：先减1，再除以2。

图像大小m*m,核k*k,stride=s,输出大小[m/s]-(k-1)/s。[]表上取整。

2. padding=same：0填充，padding=valid：不填充。参考，参考2

3. 奇数图像(2,2)池化：先加1，再除以2

4. dropout=p：以概率p舍弃神经元，即其中p不工作。防止过拟合

5. Conv2DTranspose：反卷积，动图。

stride-1是在输入图像两像素间插入的0像素数。

no strides的反卷积=no strides的卷积，尺寸的计算公式同为out=in+2*padding-kernal+1。

有stride时： 无padding的反卷积，核从只包含输入图像左上角一个像素的窗口开始滑动，到只包含输入图像右下角一个像素的窗口停止；

无padding的计算公式：out=kernel-1+(stride-1)(in-1)+in

有padding的反卷积，只需用上所有padding，不一定从只含一个像素的窗口开始滑动。

6. Cropping2D：(a,b), (c,d)表示，行从上数裁a行，从下数裁b行；列从左数裁c行，从右数裁d行。

7. predict函数中，verbose=False，表示训练时不显示数据。参考

8. kernal=k, stride=s, 卷积前图像边长为w, 卷积后边长为(w-k)/s+1。若有padding, 则输出图像边长(w-k+2padding)/s+1。反推可得到神经元在前一层的感受野大小。

若第i层感受野中心为p_i，由这个感受野得到第i+1层的一个神经元，位置为p_(i+1)，则有p_i=s_i*p_(i+1)+(k_i-1)/2-padding。由此知道感受野中心位置和大小，则感受野可在图中唯一确定。

何恺明对此公式进行了简化，令padding=[k_i/2]下取整。由于坐标只有整数，所以最终近似为p_i=s_i*p_(i+1)，级联得到p_0=S*p_i，S是从0到i-1的s连乘。

这样，已知原始图像某一矩形，则可根据矩形的对角两点找到特征图中对应矩形的对角两点，做到图到特征的映射。