若使用n的kernel，则输出大小为（(（x+2p-k）/s)+1）*（(（x+2p-k）/s)*n。假设图片大小是x*x*3,kernel大小为k*k*3(k通常为奇数),padding大小为p。假设图片大小是x*x,kernel大小为k*k(k通常为奇数),padding大小为p。则有padding时 输出图片的大小为（x+2p-k+1）*(x+2p-k+1）如果padding未知，且想要使输

循环卷积神经网络(Recurrent Convolutional Neural Network,RCNN)是一种结合了卷积神经网络 (CNN)和循环神经网络(RNN)的模型，它在处理序列数据时具有一定的优势和缺点。这些门控结构能够控制信息的流动和保留，使得网络能够有选择地记忆和遗忘输入序列中的信息，从而更好地处理序列数据。总体来说，循环卷积神经网络在处理序列数据时具有一定的优势，但也存在一些限制和

关于神经网络剪枝的最新发现表明，通过精心选择的分层稀疏性，简单的基于幅度的剪枝可以实现稀疏性和性能之间的最先进的权衡。然而，由于没有就“如何选择”达成明确共识，分层稀疏性大多是逐个算法选择的，通常采用手工启发式或广泛的超参数搜索。为了填补这一空白，我们提出了一种新的全局剪枝重要性评分，即基于层自适应幅度的剪枝（LAMP）评分；该分数是权重大小的重新缩放版本，其中包含剪枝引起的模型级 2 失真，并