（1）边长的计算公式是：
output_h =（originalSize_h+padding*2-kernelSize_h）/stride +1
输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为：
（200-5+2*1）/2+1 为99.5，取99
（99-3）/1+1 为97
（97-3+2*1）/1+1 为97
研究过网络的话看到stride为1的时候，当kernel为 3 padding为1或者kernel为5 padding为2 一看就是卷积前后尺寸不变（卷积向下取整，池化向上取整）。
（2）如果是反卷积（deconvolution)
输入：2x2， 卷积核：4x4， 滑动步长：3， 输出：7x7
公式：2x4-(4-3)x(2-1)=8-1=7
output_w= input_w*kernerl_size - (kernel_size - stride)*(input_w - 1)
扫描二维码关注公众号，回复：
4072571 查看本文章
或者： (2 - 1) * 3 + 4 = 7
output = (input_w - 1) * stride + kernel_size
图像的deconvolution过程如下，
(参考文章：http://blog.csdn.net/fate_fjh/article/details/52882134)