Update 深度学习面试题.md

深度学习面试题.md

@@ -208,6 +208,14 @@ HOG特征提取方法就是将一个image：
 2. **经过卷积层节点矩阵深度会改变**，池化层不会改变节点矩阵的深度，但是它可以缩小节点矩阵的大小
 ## 卷积层参数数量计算方法
 假设输入层矩阵维度是96*96*3，第一层卷积层使用尺寸为5*5、深度为16的过滤器（卷积核尺寸为5*5、卷积核数量为16），那么这层卷积层的参数个数为５*5*3*16+16=1216个
+
+## 卷积层输出大小计算
+卷积中的特征图大小计算方式有两种，分别是‘VALID’和‘SAME’，卷积和池化都适用，除不尽的结果都向下取整。公式：`O = (W-F+2P)/S+1`，输入图片（Input）大小为I=W*W，卷积核（Filter）大小为F*F，步长（stride）为S，填充（Padding）的像素数为P。
++ `SAME`填充方式：不填充像素。
++ `VALID`填充方式：填充，"SAME"卷积方式，对于输入5*5图像，图像的每一个点都作为卷积核的中心。最后得到5*5的结果，通俗的来说：首先在原图外层补一圈0，将原图的第一点作为卷积核中心，若一圈0不够，继续补一圈0。如下图所示：
+
+![卷积填充方式](https://github.com/HarleysZhang/2019_algorithm_intern_information/blob/master/images/%E5%8D%B7%E7%A7%AF%E5%A1%AB%E5%85%85%E6%96%B9%E5%BC%8F.png)
+
 ## 神经网络为什么用交叉熵损失函数
 判断一个输出向量和期望的向量有多接近，交叉熵（cross entroy）是常用的评判方法之一。交叉熵刻画了两个概率分布之间的距离，是分类问题中使用比较广泛的一种损失函数。
 给定两个概率分布p和q，通过q来表示p的交叉熵公式为：