1. Padding

在卷积操作中，过滤器（又称核）的大小通常为奇数，如3x3，5x5。这样的好处有两点：

在特征图（二维卷积）中就会存在一个中心像素点。有一个中心像素点会十分方便，便于指出过滤器的位置。
在没有padding的情况下，经过卷积操作，输出的数据维度会减少。以二维卷积为例，输入大小 n×nn×n，过滤器大小f×ff×f，卷积后输出的大小为(n−f+1)×(n−f+1)(n−f+1)×(n−f+1)。
为了避免这种情况发生，可以采取padding操作，padding的长度为pp，由于在二维情况下，上下左右都“添加”长度为pp的数据。构造新的输入大小为(n+2p)×(n+2p)(n+2p)×(n+2p) , 卷积后的输出变为(n+2p−f+1)×(n+2p−f+1)(n+2p−f+1)×(n+2p−f+1)。
如果想使卷积操作不缩减数据的维度，那么pp的大小应为(f−1)/2(f−1)/2，其中ff是过滤器的大小，该值如果为奇数，会在原始数据上对称padding，否则，就会出现向上padding 1个，向下padding 2个，向左padding 1个，向右padding 2个的情况，破坏原始数据结构。

2. Stride

卷积中的步长大小为ss，指过滤器在输入数据上，水平/竖直方向上每次移动的步长，在Padding 公式的基础上，最终卷积输出的维度大小为：

⌊n+2p−fs+1⌋×⌊n+2p−fs+1⌋⌊n+2p−fs+1⌋×⌊n+2p−fs+1⌋

⌊⌋⌊⌋符号指向下取整，在python 中为floor地板除操作。

通道，通常指数据的最后一个维度（三维），在计算机视觉中，RGB代表着3个通道(channel)。

举例说明：现在有一张图片的大小为6×6×36×6×3，过滤器的大小为3×3×nc3×3×nc, 这里ncnc指过滤器的channel大小，该数值必须与输入的channel大小相同，即nc=3nc=3。
如果有kk个3×3×nc3×3×nc的过滤器，那么卷积后的输出维度为4×4×k4×4×k。注意此时p=0,s=1p=0,s=1，kk表示输出数据的channel大小。一般情况下，kk代表kk个过滤器提取的k个特征，如k=128k=128，代表128个3×33×3大小的过滤器，提取了128个特征，且卷积后的输出维度为4×4×1284×4×128。