來個詳細版的如下：

來個簡版的如下：

padding =“SAME”的情況：

這裡插一句幫助理解：自動補全的話，考慮步長為1，每一卷積從第一個維度開始一步一步移動，直到最後一個維度，那麼輸出肯定是和原來的維度一樣，如果步長不是1比如為2 就要向上取整。比如7*7的影象採用3*3大小的卷積核進行卷積操作，padding = “SAME”的情況下就是[7/3] = 4,最後輸出為4*4大小的feature map

沒圖說個基：

① padding = "value", stride = 4, (227 - 11 + 2*0）/ 4 + 1 = 55

② padding = "value", stride = 2, (55 - 3 + 2*0

③ padding = "same", stride = 1, 27 / 1 = 27

④ padding = "value",stride = 2, (27 - 3 + 2*0) / 2 + 1 = 13

來個例子:

input = tf.Variable(tf.random_normal([64,5,5,3]))
filter = tf.Variable(tf.random_normal([3,3,3,16]))

op_1 = tf.nn.conv2d(input,filter,strides = [1,1,1,1],padding = "SAME")
op_2 = tf.nn.conv2d
 
(input,filter,strides = [1,2,2,1],padding = "SAME")


init = tf.global_variables_initializer()

sess = tf.InteractiveSession()

sess.run(init)

print(np.shape(sess.run(op_1)))
print(np.shape(sess.run(op_2)))

output:

(64, 5, 5, 16)