理解CNN卷积计算

1. 为什么要加padding：
   解决两个问题：
   1. 输出缩小。比如当你有100层深层的网络，如果图像每经过一层都缩小的话，经过100层网络后 ，你就会得到一个很小的图像。
   2. 图像边缘的大部分信息都丢失了。
2. 什么是padding.
   在图像边缘填充一圈像素。
   公式为：
   输入：n（原图像像素nn）f(卷积核的大小ff),p（填充的像素个数）
   输出：（n+2p-f+1）*(n+2p-f+1)
   如果想让输出图像和输入图像一样大的话，由此可以计算出p的值，即p=(f-1)/2
3. 步长
   输入：n（原图像像素nn）f(卷积核的大小ff),p（填充的像素个数）s（步长）
   输出：((n+2p-f)/s+1)（向下取整）*((n+2p-f)/s+1)（向下取整）
4. 三维卷积
   输入：n（原图像像素nn）f(卷积核的大小ff),p（填充的像素个数）s（步长）Nc（通道数）
   输出：((n+2p-f)/s+1)（向下取整）*((n+2p-f)/s+1)（向下取整）*Nc