简介
卷积之后的尺寸大小计算公式为：
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
我们可以得出
（公式1）
长宽不等时，卷积之后的计算公式也是如此，只需分别计算即可。
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）。
注意！！！
此时可能会发现，按照这两中方式，按照上面的公式怎么不对呀
其实公式是没有问题的，
padding = “VALID”： P=0
padding = “SAME”： kernel_size=1时，P=0；kernel_size=3时，P=1；kernel_size=5时，P=2，以此类推。
问题可能也就出在上面
tensorflow官网给出了另一种计算方式，也是正确的：
padding = “SAME”时：
（ 解释：输入w / 步长s 之后向上取整） （公式2）
padding = “VALID”时：
（也是向上取整） （公式3）
举例说明
当
输入是5*5，
卷积核是3*3，
步长S = 2
padding= “SAME”时：
根据公式1：
根据公式2：
padding= “VALID”时：
根据公式1：
根据公式3：
编程结果
如下：
