CNN卷积神经网络中stride、padding、channel及特征图大小的计算1. stride步幅2. padding填充3. channel通道4 .计算与示例
1 .步幅步幅步幅：卷积时的采样间隔
步幅的目的是减少输入参数的数量，减少计算量。 stride参数的值是缩小的倍数，例如，如果步幅为2，则对输入的特征图进行2倍下采样。 请注意，步幅并不意味着输出是输入的1 s t r i d e frac{1}{stride} stride1
2 .填充填充填充：在输入特性图的每一边添加一定数量的矩阵，以使输出和输入特性图的大小相同。
为什么要设定padding :
如果没有padding，则每次进行卷积时，原始图像的大小都会变小，因此无法设计足够层数的深度神经网络。 希望将各输入特征图的各块作为卷积窗口的中心，以免丢失图像的边缘信息。 在tensorflow中：
padding='same '意味着进行填充，填充的值在算法内部基于卷积内核大小计算，目的是使输出大小和输入相等。
padding='valid '表示不进行填充。 也就是说，padding=0，仅使用有效的窗口位置。 这是默认选项。
PD ding=size _ filter 12 padding=frac { size _ _ filter-1 } {2} padding=2size _ filter 1
因此，卷积核尺寸通常选择奇数
另外，padding='same '的目的是使输出大小和输入大小相等，但前提是步幅=1，如果步幅不是1，则输出大小和输入大小一定不同
3 .如果只有一个信道是信道，则“卷积核”对应于“filter”，并且这两个概念可以互换。 但是，一般来说，它们是两个完全不同的概念。 每个“过滤器”实际上正好是“卷积核”的集合，在当前层中每个信道对应于卷积核，该卷积核是唯一的。
在卷积过程中，输入层有多少个通道，过滤器有多少个通道？
也就是说，某个阶层的filter的频道数=前一阶层的特征地图的频道数。
一般的图像是3通道，所以卷积核也应该是3通道。 例如，对于32x32x3的图像，如果使用5x5x3的卷积核，最终得到28x28x1的特征图。
然而，filter的数目是任意的，并且卷积后的特征量图的数目由filter的数目确定。
也就是说，一个层输出配置文件中的通道的数量=当前层中的过滤器的数量
4 .计算及示例：一个尺寸a*a的特征图经过b*b的卷积层，步幅(stride )=c，填充) padding )=d，请计算输出特征图的尺寸？ 输出特性图大小=aB2DC1=FRAC{a-B2D}{c}1=cab2D1
记住这个公式就可以计算所有输出特性图的大小。
例如：输入4*4、卷积核3*3、stride=1、padding=0输出大小=(4-3 0 )/1=2
例如：输入5*5，卷积核3*3，stride=1，padding=1输出大小=(5-3 2 )/1=5
例如：输入5*5、卷积核3*3、stride=2、padding=0输出大小=(5-3 0 )/2 1=2
示例6*6、卷积核3*3、stride=2、padding=1输出大小=int(6-32 )/2 ) 3注意：此处的padding包含与卷积无关的列。 无法对该列进行采样，因为stride为2
总结：
卷积可能需要padding避免信息丢失，也可能需要设置stride来压缩部分信息，或者使输出大小小于输入大小。
本文参考以下文章进行了整理：
详细理解CNN中的stride (步幅)和padding (步幅)
卷积神经网络中的stride、padding、channel概念
CNN基础知识——卷积、填充、步骤Stride )。