我们32-32-3的图像，用5-5-3的卷积核在图像上滑过
计算如图所示（多通道图计算请自行脑补）：
卷积之后的尺寸大小计算公式为：
其中：输入图片大小 W×W
Filter大小 F×F
步长strides S
padding的像素数 P
输出大小为NxN
在实际操作时，我们还会碰到 padding的两种方式 “SAME” 和 “VALID”，padding = “SAME”时，会在图像的周围填 “0”，padding = “VALID”则不需要，即 P=0。一般会选“SAME”，以来减缓图像变小的速度，二来防止边界信息丢失（即有些图像边界的信息发挥作用较少）。
padding = “VALID”：（不补0）
P=0
padding = “SAME”：（补0）
- 卷积核为奇数
Filter=1x1时，P=0；
Filter=3x3时，P=1；
Filter=05x5 时，P=2，以此类推。
P=（F-1）/2
- 卷积核的尺寸为偶数时：
Filter=6x6时，P1=【6-1/2】向上取整，P2=【6-1/2】向下取整；
（这里变成减去P1再减P2）
ps：当步长为大于1的数是，计算N的公式，一律向下取整，这样可以正确计算N的大小。
tensorflow官网给出了另一种计算方式，也是正确的：
padding = “SAME”时：
N是 W/S后像上取整
例如：
输入图片大小 W×W=5x5；Filter大小 F×F=3x3；步长strides=2 输出大小为NxN，
5/2=3，那么N等于3
同样根据最开始那个公式：N=（5-3+2*1）/2+1=3
padding = “VALID”时：
同样向上取整，N=（5-3+1）/2=2
同样用最开始那个公式：N=（5-3）/2+1=2