据我所见，ResNet-152（论文、可视化、Caffe 模型）期望输入尺寸为 224x224x3，其第一层进行 64 次卷积，每层针对 7x7 内核，填充为 3，步幅 = 2。
由于，它的输出尺寸应该是 112.5x112.5x64 （对吧？）。这必须转换为整数，它看起来像 Caffe“向零截断”，输出的尺寸实际上是 112x112x64（这里是代码），我用 Caffe 加载了模型并验证了它）。
这似乎与 Caffe 的池化层策略（代码）不同，后者会限制结果，而不是截断结果。
我的问题：
小数部分来自步幅操作。没有步幅，输出大小应该是output_no_stride = input + 2*pad - filter + 1 = 224. 跨步，使用的常规公式是output_with_stride = floor((input + 2*pad - filter) / stride) + 1 = 112。
在许多编程语言中，整数除法的默认行为是“向零舍入”，因此当分子和分母为正整数时，可以省略下限运算。（参考：Caffe 的卷积实现，Cudnn 文档）
比较有步幅和没有步幅的输出维度
output_with_stride = floor((input + 2*pad - filter) / stride) + 1
= floor((output_no_stride - 1) / stride) + 1
= ceil(output_no_stride / stride)
Caffe 的池化有点复杂，它首先用天花板代替地板，然后如果最后一个池不是严格在图像内部开始，则将大小减小一，如代码所示。
pooled_height_ = static_cast<int>(ceil(static_cast<float>(
height_ + 2 * pad_h_ - kernel_h_) / stride_h_)) + 1;
pooled_width_ = static_cast<int>(ceil(static_cast<float>(
width_ + 2 * pad_w_ - kernel_w_) / stride_w_)) + 1;
if (pad_h_ || pad_w_) {
// If we have padding, ensure that the last pooling starts strictly
// inside the image (instead of at the padding); otherwise clip the last.
if ((pooled_height_ - 1) * stride_h_ >= height_ + pad_h_) {
--pooled_height_;
}
if ((pooled_width_ - 1) * stride_w_ >= width_ + pad_w_) {
--pooled_width_;
}
CHECK_LT((pooled_height_ - 1) * stride_h_, height_ + pad_h_);
CHECK_LT((pooled_width_ - 1) * stride_w_, width_ + pad_w_);
}
我认为结果大部分与传统公式一致，除非最后一个池完全在原始输入之外。