Tensorflow入门--------计算卷积后的特征图尺寸

     在卷积神经网络设计网型的时候，需要对卷积核和池化层进行参数设置。有三个重要的参数，首先是卷积核的大小，其次是设置步长（padding）的大小，最后是是否采用padding。这几个因素直接影响了卷积、池化后的特征图的大小，对于网络形状的设计非常重要的参数。本博客将针对这三个参数进行解释，并且利用tensorflow进行结论的实验。

一、卷积核

    卷积核这个东西比较好理解，就是卷积滤波器的大小，当然，卷积核也可能是三维的。卷积的过程如如图2所示，其中的卷积核是3*3的卷积。三维卷积的形状如图1。

                                                                                    图1 三维卷积 

二、步长（stride）

所谓的步长就是卷积核在原始图像上每一次移动的步数，如图2所示该卷积操作的步长为1，步长用stride来表示。

                                                                                图2 卷积操作的过程 

三、填充（padding）

当我们用一个卷积核去和一个影像进行卷积操作的时候，我们可以发现，不同位置的像素利用率是不同的，例如位于图像中心的像素，它参与了多次的卷积运算，对整个卷积过程的贡献大。但是想图像四个角的像素只参与了以此的卷积运算，贡献就被忽略了。另外，由于卷积操作，使得原始图像的大小不断地减小。为了避免上述的两个问题，我们采用填充的方式，就是在原始图像的四周再添加一圈像素值，这样就能够保证每一个原始图像的像素都参与相同贡献的卷积操作。

从图中可以看出，蓝色的原始影像进行了一个像素的padding操作，这样就使得位于角点的像素也能参与更多的卷积过程。

四、卷积后特征图大小的计算。参考博客