type
status
date
slug
summary
tags
category
icon
password
Property
有时，在应用了连续的卷积之后，最终得到的输出远小于输入大小。这是由于卷积核的宽度和高度通常大于所导致的。比如，一个 像素的图像，经过层 的卷积后，将减少到像素。如此一来，原始图像的边界丢失了许多有用信息。而填充是解决此问题最有效的方法。 有时，我们可能希望大幅降低图像的宽度和高度，例如原始的输入分辨率十分冗余，步幅则可以在这类情况下提供帮助。
填充
由于通常使用小卷积核，对于任何单个卷积可能只会丢失几个像素。 但随着应用许多连续卷积层，累积丢失的像素数就多了。 解决这个问题的简单方法即为填充（padding）:在输入图像的边界填充元素（通常填0）。
例如，在图中将 输入填充到，那么输出就增加为
如果添加行填充（大约一半在顶部，一半在底部）和列填充（左侧大约一半，右侧一半），则输出形状将为：
输出的高度和宽度将分别增加 和
在许多情况下，我们需要设置 和 ，使输入和输出具有相同的高度和宽度，这样可以在构建网络时更容易地预测每个图层的输出形状。
卷积神经网络中卷积核的高度和宽度通常为奇数。选择奇数的好处是，保持空间维度的同时，可以在顶部和底部填充相同数量的行，在左侧和右侧填充相同数量的列。此外，使用奇数的核大小和填充大小也提供了书写上的便利。对于任何二维张量
X，当满足： 1. 卷积核的大小是奇数； 2. 所有边的填充行数和列数相同； 3. 输出与输入具有相同高度和宽度 ，则可以得出：输出Y[i, j]是通过以输入X[i, j]为中心，与卷积核进行互相关计算得到的。步幅
在计算互相关时，卷积窗口从输入张量的左上角开始，向下、向右滑动。 在前面的例子中，我们默认每次滑动一个元素。 但是，有时候为了高效计算或是缩减采样次数，卷积窗口可以跳过中间位置，每次滑动多个元素。我们将每次滑动元素的数量称为步幅（stride）
可以看到，为了计算输出中第一列的第二个元素和第一行的第二个元素，卷积窗口分别向下滑动三行和向右滑动两列。但是，当卷积窗口继续向右滑动两列时，没有输出，因为输入元素无法填充窗口（除非我们添加另一列填充）
通常，当垂直步幅为、水平步幅为时，输出形状为：
如果设置了和 ，则输出形状将简化为
更进一步，如果输入的高度和宽度可以被垂直和水平步幅整除，则输出形状将为
为了简洁起见，当输入高度和宽度两侧的填充数量分别为和时，称之为填充。当 时，填充是。同理，当高度和宽度上的步幅分别为和时，称之为步幅。当时的步幅为时，步幅为。默认情况下，填充为0，步幅为1。在实践中，很少使用不一致的步幅或填充，也就是说，通常有和。