为什么卷积核size通常都是奇数

为什么卷积核size通常都是奇数

本博客用于自我学习，如有错误，烦请指教！

在卷积神经网络模型中卷积核大小一般都是奇数，很少有偶数或者没有偶数的卷积核，这是为什么呢？

LeNet()卷积核大小55,AlexNet模型(2012)中用到1111，55，33，VGG(2014)系列用得都是33大小卷积核,ResNet(2015)使用33大小卷积核等等，都是使用奇数得卷积核。

原因有2：
1. 保证锚点在中间
锚点也就是卷积核滑动时得中心点，一个参考点，奇数大小的卷积核刚好是中心位置，避免位置信息发生偏移，在CNN中，进行卷积操作时一般会以卷积核模块的一个位置为基准进行滑动，这个基准通常就是卷积模块的中心，若卷积核为奇数，卷积锚点很好找，自然就是中心。若卷积核大小为偶数，则无法确定锚点，且卷积上下移动位置信息都会发生偏移。
2. 为了same padding 时,图像两边对称
首先卷积之后尺寸大小计算公式为：
n=(w-k+2*p)/s+1,其中
w为卷积前图像大小
k为卷积核大小
p为padding补充的像素数
s为步长

same padding 时处理时，n x n * f x f =>(n+2p-f+1) x (n+2p-f+1)因为输入与输出图像尺寸相同，则计算出来p=(f-1)/2

因此如果卷积大小为偶数，则padding总数为奇数，两边补充大小不一致，卷积核大小为奇数，2p为偶数，则图像两边补充相等的0.