CNN 输入输出步长padding计算
卷积操作
i 是输入大小，p是padding，f是卷积核大小 ，o为输出大小
o = (n+2p-m)/s + 1
理解：n + 2p 是补全后的图大小，-m 是减去了不可能走到的位置（最后卷积核盖住了最后m的大小不能再扫描了，如下图），/s 除以步长，是可以走的步数，最后 +1
CNN、全连接计算
参数量计算、计算量计算
https://zhuanlan.zhihu.com/p/77471991
https://zhuanlan.zhihu.com/p/86587652
参数量：
参数量是一层一层算
全连接层
假设 输入神经元数为M，输出神经元数为N，则
（1）bias为True时：
则参数数量为：M*N + N（bias的数量与输出神经元数的数量是一样的）
（2）bias为False时：
则参数数量为：M×N
卷积网络
假设卷积核的大小为 k*k, 输入channel为M， 输出channel为N。
（1）bias为True时：
则参数数量为：k×k×M×N + N（bias的数量与输出channel的数量是一样的）
（2）bias为False时：
则参数数量为：k×k×M×N
（3）当使用BN时，还有两个可学习的参数α和β，参数量均为N
则参数数量为：k×k×M×N + 3×N
计算量（这个计算量网上算法不唯一，仅供参考）
全连接
假设 输入神经元数为M，输出神经元数为N，则
（1）先执行M次乘法；
（2）再执行M-1次加法
（3）加上bias，计算出一个神经元的计算量为 （M+M-1+1）
（4）N个输出神经元，则总的计算量为 2M×N
理解CNN 参数共享、CNN与FCN关系
简单理解，权值共享，就是卷积核（卷积核中就是权值）不变，扫过整个图片
生成的特征图片中每一个像素关联了原图中的一部分像素（一般是卷积核大小的部分）
但是每一像素使用的权值是一样的。
具体解释：https://www.zhihu.com/question/47158818?sort=created
交叉熵的使用
CE：
手算应用：https://blog.csdn.net/guolindonggld/article/details/79250642
用在多分类中， gt为0的一乘全为0，只剩一个与真实值一致的项
BCE：
BCE与CE在数学上没有本质区别，只不过一个用于CE多分类，BCE用于二分类
解释：https://blog.csdn.net/weixin_35990358/article/details/113551793
摘抄：
首先需要说明的是PyTorch里面的BCELoss和CrossEntropyLoss都是交叉熵，数学本质上是没有区别的，区别在于应用中的细节。
BCE适用于0/1二分类，计算公式就是 “ -ylog(y^hat) - (1-y)log(1-y^hat) ”，
其中y为GT，y_hat为预测值。
这样，当gt为0的时候，公式前半部分为0，y^hat 需要尽可能为0才能使后半部分数值更小；当gt为1时，后半部分为0，y^hat 需要尽可能为1才能使前半部分的值更小，这样就达到了让y^hat尽量靠近gt的预期效果。
当然，显然这要求输入必须在0-1之间，所以为了让网络的输出确保在0-1之间，我们一般都会加一个Sigmoid。
而更具体一点来说，使用BCELoss的话只需要网络输出一个节点即可，不像CE Loss那样，往往是有n_class个类就需要网络最终输出n_class个节点。
而CE因为需要用在多分类上，所以计算公式就变成了sum(-ylog(y^hat))。
可能有些同学很敏锐的发现了，这个函数实际上只是在对相应gt=1的那个节点的值做约束，希望这一点的输出能尽量为1；而其他原本gt为0的节点因为y=0，在计算到sum中的时候无论其相应输出节点是多少都没有关系，那这是不是意味着CE的公式还有漏洞呢？
话虽这么说，但其实是因为我们忘记了CE之前还有Softmax这个函数，这个函数会让输入的n_class个节点中大的更大，小的更小，并且可以确保最终所有节点的输出的总和为1，这样一来只要对应gt=1的那个节点输出足够靠近1，其他的节点自然输出就会趋近于0了。
上面的两个例子都是在分类任务中说的，而在分割任务中，BCE和CE的另一个区别就可以说是，BCE只需要输出一个通道，而CE需要输出n_class个通道。