卷积神经网络中特征图大小计算公式总结
W：输入特征图的宽，H：输入特征图的高
K：kernel size卷积核宽和高，P：padding（特征图需要填充的0的个数），S：stride步长
width_out：卷积后输出特征图的宽，height_out：卷积后输出特征图的高
普通卷积
计算公式：
width_out = （W - K + 2 * P）/ S + 1（向下取整）
height_out = （H - K + 2 * P） / S + 1（向下取整）
池化
计算公式：
width_out = （W - K）/ S + 1（向下取整）
height_out = （H - K） / S + 1（向下取整）
上采样UpSampling2D
上采样相当于放大多少倍，size=倍数
计算公式：
width_out = W * size
height_out = H * size
转置卷积
转置卷积俗称反卷积，是上采样方式中的一种，转置卷积用来增大特征图的分辨率。
计算公式：
width_out = （W - 1）* S - 2 * P + K
height_out = （H - 1）* S - 2 * P + K