深度学习：图片卷积或滤波器操作后输出大小计算size, stride vs padding

先定义几个参数

• 输入图片大小 W×W

• Filter大小 F×F （相当于卷积核大小，也可看作滤波器大小，卷积也是一种滤波）

• 步长 S（stride)

• padding的像素个数 P

于是我们可以得出

N = (W − F + 2P )/S+1

输出图片大小为 N×N

备查

假设Ｆ为奇数
N: 核中心的个数（卷积中心位置所在数据点，图片中就相当于像素点）
N-1 ：　边的个数，因为两个点共享一条边；所以边数比核个数少一个
(N-1)*S+1:  以最边上的卷积核为界，共计在原图（未滤波的图片）中占多少个点，其中１是因为包括最边上那个核
(N-1)*S+1+(F-1)：总宽度，(F-1)是卷积核的两边的大小（不含卷积中心点的像素的个数），
(N-1)*S+1+(F-1) = W+2P
所以
N = (W − F + 2P)/S + 1