卷积神经网络的卷积核（kernel）、输入尺寸（input）、步长（stride）、填充（padding）关系

基本意义

卷积核（kernel）：用于对输入图像进行共享权值的遍历；如果将图像每一个图像的每一个像素作为卷积输入层的元素，那么卷积核就相当与每个输入的权值，且有卷积核大小的一组输入使用同一组权值。例如，一个图像是99大小，卷积核是33；则输入是81个，共享权值是9个一组。
步长（stride）：卷积核是在图片上移动后遍历每一个像素，每次移动的大小就是步长stride
填充（padding）：是为了满足输出的图像的维度要求，最终图像的输出宽度会=原来输出宽度+2padding，因为是周围填充

几个关系

字符含义：i：输入的宽度，k:卷积核的宽度，p：单边填充宽度，o：输出宽度，s：步长

正向卷积

正向卷积的数据关系：o=(i+2p-k)/s+1
理解：从第一个卷积核作为第一个输出图像，然后输出像素是每次移动就会出现一个像素。所以，输入的图像宽度减去卷积和宽度再除以步长，得到的是除去第一个像素后的其他像素。（下图中黑色设为图像像素，红框设为卷积核时步长为2，无填充），则输出很容易看出是3*3，（6-2）/2+1=3

反向卷积

当（o+2p-k）%s=0时，输出的尺寸关系是：o=s(i-1)-2p+k
当（o+2p-k）%s≠0时，输出的尺寸关系是：o=s(i-1)-2p+k+（o+2p-k）%s
通过输入和输出宽度的需要，可以选择合适的步长、填充和卷积核