网上的一些说明，我觉得还有点不完整，我来整理一下手：
步幅：卷积核经过输入特征图的采样间隔
填充：在输入特征图的每一边添加一定数目的行列，使得输出的特征图的长、宽 = 输入的特征图的长、宽
两个参数的核心：设置滑块的目的：减少输入参数的数量，减少计算量来设置填充的目的：每个输入框作为卷积窗口的中心，在边长=4的输入矩阵的每边填充一层，全部填充0，边长=边长=
先从一个问题开始吧。 问题：尺寸a*a的特征图请经过b*b的卷积层，以步幅(stride )=c，填充) padding )=d计算出输出的特征图尺寸。 回答： d为0，即未涂复的情况下，输出的特征图的尺寸=(a-b )/c 1d为0，即未涂复的情况下，输出的特征图的尺寸=(a2d-b )/c1不举栗)栗1 :栗1 :栗
栗(2)2:stride=1，padding=1)扫描采样，有填充(padding=‘same’) ) ) ) )。
板栗3:stride=2，padding=0(下采样，未填充：大小缩小2点5分之一) ) )。
板栗4 )4:stride=2，padding=1(下采样，有填充； 将大小缩小为二分之一)
Stride的作用：是成倍缩小尺寸，而这个参数的值就是缩小的具体倍数，比如步幅为2，输出就是输入的1/2；步幅为3，输出就是输入的1/3
注意
以上说法(步幅为2，输出为输入的1/2； 步幅为3，输出为输入的1/3 )并不严格。 这不是来自定理。 步幅为2，可以认为是对输入的特征图进行了2倍的下采样。 目的是减少输入参数，避免参数过多和计算量过多，严格意义上输出并不是输入的1/2、1/3。 在此特别明确
板栗1 :输入特征图大小为4*4，使用3*3卷积核，步幅=1，填充=0输出大小=(4-3)/1 )1=2
板栗2 :输入特征图大小为5*5，使用3*3卷积核，步幅=1，填充=1输出大小=(52*1-3)/1=5
板栗3 :输入特征图大小为5*5，使用3*3的卷积核，步幅=2，填充=0输出大小=(5-3)/2 1=2
板栗4 :输入一个特征图大小为6*6，使用3*3的卷积核，步幅=2，填充=1输出大小=(52*1-3)/2 )1=3(下采样：边长减少1/2 ) )
查看代码注意：看到stride
步幅是一维向量，长度为4。 格式为[a，x，y，z]，分别在[batch滑动步骤、水平滑动步骤、垂直滑动步骤、通道滑动步骤tensorflow中，stride的一般格式为[1，x，y，z] x没有跳过任何样本，在卷积内核的水平滑动步骤y中，在卷积内核的垂直滑动步骤的最后一个是在信道维度的滑动步骤为1，也就是说，在代码中不跳过任何颜色通道或者strides=[ 1，2，2，1 ]1)表示板栗1，2所示步幅=1时，此处的strides=[ 1，2，2，1 ]表示板栗3，4所示步幅=2时，为http://www.sww
编写代码时，请注意padding有两种模式。 分别` same `和` valid `，` padding='same ' `表示进行嵌入。 嵌入值在算法内部根据卷积核大小计算，目的是使输出大小和输入相等； ` padding='valid ' `表示不进行填充，即padding=0，仅使用有效的窗口位置，这是默认选项。 填充值=(B-1)/2填充值，b值为卷积内核的大小。 这里给出了卷积内核大小通常选择奇数的理由的例子。 问题1 .在尺寸为5*5的特征图中，经过3*3的卷积层，幻灯片=1，输出大小与输入大小相等，填充) a )填充值=(3-1)/2=1，即单边a (填充值=(7-1)/2=3，即每边填充三层看到padding)
padding='same '的目的是使输出大小和输入大小相等，但以步幅=1为前提。 步幅如果不是1的话，输出尺寸和输入尺寸肯定不同。 对于padding的same模式和valid模式这两种坦率的理解，有不进行填充，或者进行填充后输出尺寸和输入尺寸相等的padding的值不会混乱的两种情况。
【1】tensorflow中步骤stride的参数的具体分析
(2) CNN基础知识——卷积、填充、步骤(Stride ) )。