卷积层[Conv]：
卷积CNN是我们最常使用的，但是有时候需要观察他的输出前后的差异，这里描述下计算方式，具体如下：
图片大小：WxHxD W:宽 H:高 D:通道（RGB） 例:320x320x3
卷积核：NxNx3 卷积核大小 后面的3是和图片的通道对应，如果图片是灰度的那么就是1
卷积核个数：C
步长：S 每次一卷积的时候跨越的步长
填充：P 外网填充多少行和列，一般是图片保留特征或者是维持图片大小
公式计算：
输出数据的高度：OH = (H - N + 2P) / S + 1
输出数据的宽度：OW = (W - N + 2P) / S + 1
输出数据的深度：OD = 卷积核的个数C
*如果输出数据的尺寸不是整数，会对输出数据进行四舍五入或者向下取整等操作。
例子：
输入数据为：3x320x320
我们这里是BGR的图片，一般cv默认处理就是BGR图片，通道是3，宽和高都是320，也可以理解为三张320x320的图片，方便神经网络的处理
卷积参数：卷积个数：16，卷积核：3x4x4 （由于通道是3，卷积核宽和高都是4，当然卷积核默认都是奇数，这里测试写了个偶数4，选择偶数会导致特征偏移不建议）、步长：3 填充：2
根据公式计算：
输出图片宽：(（320 - 4 + 2x2）/ 3 )+ 1 = 107.6666 ≈ 107（选择向下取整，也可以四舍五入，看算法）
输出图片高：(（320 - 4 + 2x2）/ 3 )+ 1 = 107.6666 ≈ 107（选择向下取整，也可以四舍五入，看算法）
通道数：16（直接为卷积核个数）
输出的数据为：16x107x107
池化层[Pool]：
池化也是提取特征，可以达到快速缩小特征，比如最大池化、平均池化
里面包含的也是 滤波器 步长
图片大小：WxHxD W:宽 H:高 D:通道（RGB） 例:320x320x3
滤波器：NxN 滤波器的宽高
公式：（和卷积差不多没有填充）
输出数据的高度：OH = (H - N ) / S + 1
输出数据的宽度：OW = (W - N ) / S + 1
例子
图片输入：3x320x320
池化层：3x3 步长 2
根据公式计算:
输出图片宽：(（320 - 3）/ 2 )+ 1 = 159.5≈ 159（选择向下取整，也可以四舍五入，看算法）
输出图片高：(（320 - 3）/ 2 )+ 1 = 159.5≈ 159（选择向下取整，也可以四舍五入，看算法）
通道数：3
输出数据为：3x159x159
膨胀卷积【Conv】
卷积的一种，在卷积核中插入空洞（dilation）来扩大感受野，从而捕捉更广泛的上下文信息。膨胀卷积通常用于处理具有较大空间范围的输入数据，(个人理解，其实就是特征图太紧凑了，比如鼻子嘴巴都黏到一起了，通过添加一些空白值把鼻子和嘴巴隔开些，更好的观察分析，如果离得太近可能在某次池化或者卷积就把特征卷没了)，用途如图像分割、语义分割，包含膨胀卷积、扩张卷积、空洞卷积。
根常规的卷积比，增加了一个膨胀因子R,具体如下
图片大小：WxHxD W:宽 H:高 D:通道（RGB） 例:320x320x3
卷积核：NxNx3 卷积核大小 后面的3是和图片的通道对应，如果图片是灰度的那么就是1
卷积核个数：C
膨胀因子：R (增加视野的参数）
步长：S 每次一卷积的时候跨越的步长
填充：P 外网填充多少行和列，一般是图片保留特征或者是维持图片大小
首先需要根据膨胀卷积计算出感受野，其实就是相当正常卷积的卷积核宽高（N）
感受野假设为D,感受野大小 = (卷积核大小 - 1) * 膨胀率 + 1
感受野D的计算公式：D = (N-1)*（R-1） +N
输出数据的高度：OH = (H - D + 2P) / S + 1
输出数据的宽度：OW = (W - D + 2P) / S + 1
输出数据的深度：OD = 卷积核的个数C
例子
输入数据为：3x320x320
我们这里是BGR的图片，一般cv默认处理就是BGR图片，通道是3，宽和高都是320，也可以理解为三张320x320的图片，方便神经网络的处理
卷积参数：卷积个数：16，卷积核：3x4x4 （由于通道是3，卷积核宽和高都是4，当然卷积核默认都是奇数，这里测试写了个偶数4，选择偶数会导致特征偏移不建议）、膨胀因子为2（1为默认卷积）、步长：3 填充：2
根据公式计算：
感受野计算：D= (4-1)*(2-1)+4 =7
输出图片宽：(（320 - 7 + 2x2）/ 3 )+ 1 = 106.6666 ≈ 106（选择向下取整，也可以四舍五入，看算法）
输出图片高：(（320 - 7 + 2x2）/ 3 )+ 1 = 106.6666 ≈ 106（选择向下取整，也可以四舍五入，看算法）
通道数：16（直接为卷积核个数）
输出的数据为：16x106x106