CNN步长卷积计算公式和strided convolution

上图展示的是CNN卷积神经网络中卷积的过程，

定义输入矩阵为I (n×n)，卷积核为F (f×f)，输出矩阵为 O :

则卷积的过程为：Conv(I,W)=O

对于卷积，由浅入深三种形式，

Convolution operation without padding: filter, 单格平移，新图片缩小
Convolution operation with padding： padding 补齐外围pixel，新图片大小保持不变
Strided Convolution：跳格平移（2格或更多），新图片加倍缩小

其中，对于卷积计算后输出矩阵和输入矩阵不一致，当我们需要获取和input尺寸相同的Output时，padding就用上场了。padding是在原始input的周围进行填充，以保证卷积后的大小与原始 input 一致，让模型能足够深，如下图所示：

而Strided Convolution其实就是在过滤器移动过程中进行跳格计算，stride具备跳格能力，避免重复计算。

stride也会影响feature map的规模，例如stride=2时大概会使feature map规模缩小为1/2的大小。

输出图片几种情况下的尺寸计算公式，其中s为步长stride，p的值不固定，只是满足输出和输入尺寸相同情况下的padding值 p= (f-1)/2。

no padding: n - f + 1
padding: n + 2p - f + 1
跳格计算stride with padding: (n + 2p - f)/s + 1

还有一种情况是发生filter出格的情况

下图是吴恩达网易云课堂上的一个例子，

当n=7,p=0,f=3,s=3时，按照跳格计算公式得到的是个小数，长宽尺寸不自然。同时，从图中可以看到，s=3时，第一次filter从2开始，第二次是4，第三次从9开始，发生出格，出格部分没有真实数据，因此采用floor处理出格部分，即忽略第三次计算。
出格情况计算公式： np.floor((n + 2p - f)/s + 1)

对于刚才的情况，floor((n + 2p - f)/s + 1)=floor((7+0-3)/3+1)=2，即filter在第一行只进行了2次计算。