为什么CNN中的卷积核大小一般是奇数

卷积核大小一般是奇数

• 便于进行padding
  same convolution时，有些情况偶数卷积核会出现问题。假设：输入图片大小W×W；Filter大小F×F；步长strides S；padding的像素数 P；输出大小NxN。于是$N=\frac{W-F+12\ast P}{S}+1$，当做一种same convolution时，若要卷积前后的尺寸不变，即要求输入和输出大小一样N=W，且步长S=1，则Padding $P=\frac{（F-1）}{2}$，当卷积核的大小F为偶数则不是整数了。
• 容易找到卷积锚点
  在像素这个领域里，偶数框其实是没有一个“绝对的物理中心”的。锚点也就是卷积核滑动时的一个参考点。奇数过滤器的锚点正好在中心位置，避免了位置信息发生偏移，如果卷积核是偶数时，这时候就没有办法确定了锚点了。让谁是锚点，卷积核上下左右移动之后，位置信息都会发生偏移。

padding问题

为什么加padding？做卷积时会出现两种问题：1）图像越来越小；2）图像边界信息丢失，即有些图像角落和边界的信息发挥作用较少。所以有时候我们会在图像的周围填补 0 ，1）来减缓图像变小的速度；2）保证边界信息不丢失。

卷积的三种模式:full, same, valid

其实这三种不同模式是对卷积核移动范围的不同限制，设 image的大小是7x7，filter的大小是3x3。
full mode

橙色部分为image, 蓝色部分为filter。full模式的意思是，从filter和image刚相交开始做卷积，白色部分为填0。filter的运动范围如图所示。
same mode

当filter的中心K与image的边角重合时，开始做卷积运算，可见filter的运动范围比full模式小了一圈。注意：这里的same还有一个意思，卷积之后输出的feature map尺寸保持不变(相对于输入图片)。当然，same模式不代表完全输入输出尺寸一样，也跟卷积核的步长有关系。same模式也是最常见的模式，因为这种模式可以在前向传播的过程中让特征图的大小保持不变，调参师不需要精准计算其尺寸变化(因为尺寸根本就没变化)。
valid

当filter全部在image里面的时候，进行卷积运算，可见filter的移动范围较same更小了。