卷积方式SAME后特征图大小计算
卷积方式： SAME（卷积后的特征图大小跟卷积核大小无关，只跟卷积所用的步长有关，当卷积步长是1时，卷积前后特征图大小保持不变）
输入特征图大小：W×H
卷积核大小： k×k
卷积步长： s×s
输出特征图大小： W1×H1
W1 = math.ceil(W / s)
H1 = math.ceil(H / s)
其中math.ceil()是向上取整
卷积方式是SAME时，会根据卷积核大小，按需在图像上扩充padding，即在宽度或高度方向上补充若干个0，保证图像上的当前点处于卷积中心。
如果补充的padding个数为偶数会在两侧补充相同个数个0,如果padding为奇数2n+1,会在左侧补n个0,右侧补n+1个0
验证示例：
# coding: utf-8
import tensorflow as tf
# 定义输入图像size
img_size = 256
# 卷积核大小
kernel_size = 7
# 卷积步长
stride_size = 1
# 读入图像文件
image_value = tf.read_file('./661.jpg')
# 图像编码
img = tf.image.decode_jpeg(image_value, channels=3)
# 格式转换
img = tf.to_float(img, name='ToFloat')
# 调整图像大小到定义尺寸
img = tf.image.resize_images(img, [img_size,img_size],method=0)
# 第一个参数1是输入图片数量，最后一个3个RGB3个维度
batch_shape = (1,img_size,img_size,3)
# 维度转换，为卷积做准备（卷积的输入特征图的rank必须是4)
img = tf.reshape(img,batch_shape)
# 卷积核大小5×5,深度是3（跟RGB3个维度保持一致），特征图（卷积核）数量是7
filter = tf.Variable(tf.random_normal([kernel_size,kernel_size,3,7]))
# 步长1
strides_shape=[1,stride_size,stride_size,1]
# 定义卷积操作
op_conv2d = tf.nn.conv2d(img, filter, strides_shape, padding='SAME')
# 创建运行sess
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
out_img= sess.run(op_conv2d)
print('输入图像维度： {}'.format(img.shape))
print('输出图像维度： {}'.format(out_img.shape))
# 输入图像维度： (1, 256, 256, 3)
# 输出图像维度： (1, 256, 256, 7)
# 卷积方式为SAME，输出图像大小 W1 = W/stride，向上取整，7是定义的卷积核数量以上设定kernel_size = 7，stride_size = 1，输出：
输入图像维度： (1, 256, 256, 3)
输出图像维度： (1, 256, 256, 7)
若设定kernel_size = 100，stride_size = 1，输出：
输入图像维度： (1, 256, 256, 3)
输出图像维度： (1, 256, 256, 7)
若设定kernel_size = 7，stride_size = 2,输出：
输入图像维度： (1, 256, 256, 3)
输出图像维度： (1, 128, 128, 7)
验证结论： 卷积方式为SAME时，卷积后的特征图大小跟卷积核大小没关系，只跟卷积所用的步长有关，当卷积步长是1时，卷积前后特征图大小保持不变
卷积方式VALID后特征图大小计算
卷积方式： VALID（根据图片实际大小执行卷积，不对图像边界填充，一般卷积后特征图变小）
输入特征图大小：W×H
卷积核大小： k×k
卷积步长： s×s
输出特征图大小： W1×H1
W1 = math.ceil((W-k+1)) / s
H1 = math.ceil((H-k+1)) / s
其中math.ceil()是向上取整
验证示例：
# coding: utf-8
import tensorflow as tf
# 定义输入图像size
img_size = 256
# 卷积核大小
kernel_size = 7
# 卷积步长
stride_size = 1
# 读入图像文件
image_value = tf.read_file('./661.jpg')
# 图像编码
img = tf.image.decode_jpeg(image_value, channels=3)
# 格式转换
img = tf.to_float(img, name='ToFloat')
# 调整图像大小到定义尺寸
img = tf.image.resize_images(img, [img_size,img_size],method=0)
# 第一个参数1是输入图片数量，最后一个3个RGB3个维度
batch_shape = (1,img_size,img_size,3)
# 维度转换，为卷积做准备（卷积的输入特征图的rank必须是4)
img = tf.reshape(img,batch_shape)
# 卷积核大小5×5,深度是3（跟RGB3个维度保持一致），特征图（卷积核）数量是7
filter = tf.Variable(tf.random_normal([kernel_size,kernel_size,3,7]))
# 步长1
strides_shape=[1,stride_size,stride_size,1]
# 定义卷积操作
op_conv2d = tf.nn.conv2d(img, filter, strides_shape, padding='VALID')
# 创建运行sess
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
out_img= sess.run(op_conv2d)
print('输入图像维度： {}'.format(img.shape))
print('输出图像维度： {}'.format(out_img.shape))
# 输入图像维度： (1, 256, 256, 3)
# 输出图像维度： (1, 250, 250, 7)
# 卷积方式为VALID，输出图像大小 W1 = （W-k+1）/stride，向上取整，7是定义的卷积核数量以上设定kernel_size = 7，stride_size = 1，输出：
输入图像维度： (1, 256, 256, 3)
输出图像维度： (1, 256, 256, 7)
若设定kernel_size = 100，stride_size = 1，输出：
输入图像维度： (1, 256, 256, 3)
输出图像维度： (1, 157, 157, 7)
若设定kernel_size = 7，stride_size = 2,输出：
输入图像维度： (1, 256, 256, 3)
输出图像维度： (1, 125, 125, 7)
验证结论： 卷积方式为VALID时，卷积后的特征图大小跟卷积核大小和卷积步长都有关系