被卷积神经网络矩阵大小的计算问题通常困扰着很多人，但可以通过一些代码示例来解决。以下是一个示例代码，展示了如何计算卷积神经网络中每一层的输出大小。

import torch
import torch.nn as nn

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)
        self.fc = nn.Linear(32 * 8 * 8, 10)
    
    def forward(self, x):
        x = self.pool(torch.relu(self.conv1(x)))
        x = self.pool(torch.relu(self.conv2(x)))
        x = x.view(-1, 32 * 8 * 8)
        x = self.fc(x)
        return x

model = CNN()
input_size = (3, 32, 32)
output_size = model(torch.zeros(1, *input_size)).size()
print("Output size:", output_size)

在上面的示例中，我们定义了一个简单的卷积神经网络模型CNN，其中包含了两个卷积层和一个全连接层。通过调用model(torch.zeros(1, *input_size))，我们可以计算出输入大小为(3, 32, 32)的图像在模型中经过卷积操作后的输出大小。输出大小为(1, 10)，表示模型的输出是一个大小为1x10的矩阵。

这个示例代码展示了如何计算卷积神经网络中每一层的输出大小，通过这种方式可以帮助你解决矩阵大小计算问题。根据具体的网络结构和输入大小，你可以修改示例代码中的网络结构和输入尺寸，以适应你的实际需求。