1

Convolutional Layer Output Size

Unsolved
Computer Vision

Difficulty: 1 | Problem written by Junaid Ahmed
Problem reported in interviews at

Apple
Facebook
Google
Netflix

The size of the filters in a CNN has a significant impact on the detection of key features.

The formula to calculate the output size of the convolutional layer is:

\(N = \frac{W-F+2P}{S} + 1 \)

W is the input size, F is the filter size, P is the zero paddings, and S is the stride.

For example, with S=1, P=2, W=200, F=5, and 40 filters, the output size will be 200X200X40 using the formula above.

Write a python function to calculate the size of the convolutional layer.

Sample Input:
<class 'int'>
W: 200
<class 'int'>
F: 5
<class 'int'>
P: 2
<class 'int'>
S: 1

Expected Output:
<class 'float'>
200.0

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Quidem fuga numquam veniam reiciendis molestiae corrupti ullam possimus adipisci, nostrum optio non reprehenderit adipisci autem aliquam magni, exercitationem eos aliquid illo officiis tempora quisquam ab modi dolore minus nobis, temporibus adipisci corrupti nisi veritatis, praesentium deleniti quas? Commodi molestias dicta atque, maiores iusto non explicabo amet deserunt at voluptatum, distinctio provident odit expedita nemo cumque numquam quae eum tenetur ipsa explicabo, iusto cumque fugit rerum, officia explicabo quisquam laudantium vitae itaque architecto doloribus eligendi facere aliquam maxime?

Aliquam iste ea exercitationem quam deserunt cumque temporibus, maxime asperiores nemo. Omnis incidunt quaerat praesentium? Excepturi perspiciatis doloribus laudantium nesciunt repellendus rerum incidunt voluptates sapiente architecto sint, magnam commodi quos odit dolorem nam molestias in inventore natus optio ut.

Illum voluptates quod quidem nisi eum quas. Delectus ipsam praesentium corrupti suscipit necessitatibus, fugiat esse consequuntur hic voluptates vel libero repellat neque temporibus commodi, consequatur quibusdam autem expedita eius labore incidunt ipsam dolor, atque dolor voluptatum error nihil debitis distinctio esse, neque consequatur corporis voluptatum perferendis minus sit. Eaque nam sed ullam omnis, numquam est nisi qui fugit. Impedit ipsam culpa ipsum aliquam consequatur quisquam, similique nam enim veniam magni distinctio ut placeat dicta omnis vel in, ullam minus quod dolorem deleniti laudantium ratione vitae vel animi?

This is a premium feature.
To access this and other such features, click on upgrade below.

Ready.

Input Test Case

Please enter only one test case at a time
numpy has been already imported as np (import numpy as np)