# 卷積計算 Feature Map 大小心得
* 以下把:
* input size 都叫做 image size
* filter (或kernel) 都叫 filter
* 所以變數有 4 個:
* Image size
* Filter size
* Padding
* Stride

## 發現計算可以拆成 3 個步驟:
* ### 1. 先算 Padding
* image 會變大成 `image size + 2 * padding`
* 舉例:
* image size 5x5, pading 2
* image 就變成 = 5 + 2\*2 = 9
* image size 變成 9x9
* ### <text style=background:yellow>下面計算 image 要使用 padding 過的</text>
* ### 2. 再算 Stride
* filter 相當於變大成 `filter + (strid - 1)`
* 舉例:
* filter size 3x3, stride 3
* filter 就變成 = 3 + (3-1) = 5
* filter size 變成 5x5
* ### <text style=background:yellow>下面計算 filter 要使用 stride 過的</text>
* ### 3. 最後算 Filter
* `filter size = 1`
* image size 不變
* 因為 filter 的中心點就是 filter 全部大小
* `filter size > 1`
* image size 要減去 (filter size - 1)
* 因為 filter 的中心點旁邊還有位置，第1步會把中心點往右推，最後一步需要把中心點往左推
* 所以:
* image 5x5, filter 2x2
* Conv 第一步就變成 `5 - (2-1) = 4`
* feature map 就是 4x4
* image 5x5, filter 3x3
* Conv 第一步就變成 `5 - (3-1) = 3`
* feature map 就是 3x3
* 

## ★ 所以，若要輸入輸出一樣大小
### `(filter - 1) 要等於 (2 * padding)`
* 例如:
* filter 3x3, padding 1
* (3-1) == 1\*2

## 總結本次心得的公式 (Python):
> 本人數學不敏感，python比較熟

image = 5
filter = 3
padding = 1
stride = 1

new_image = (image + 2 * padding)
# new_image = 5 + 2 * 1 = 7

new_filter = (filter + (stride - 1)
# new_filter = 3 + (1 - 1) = 3
              
feature = new_image - (new_filter - 1)         
# feature = 7 - (3 - 1) = 5
# feature size = 5x5

# 學藝不精，歡迎幫忙糾正，感恩~~