1.這篇文章以賈清揚的ppt說明了卷積的實質，更說明了卷積輸出影象大小應該為：

假設輸入影象尺寸為W，卷積核尺寸為F，步幅（stride）為S（卷積核移動的步幅），Padding使用P（用於填充輸入影象的邊界，一般填充0）,那麼經過該卷積層後輸出的影象尺寸為（W-F+2P）/S+1。

2.它寫出為什麼會用padding？卷積核大小該如何確定？stride該如何確定？

1.這篇文章把卷積的過程寫得非常形象化，用簡單的例子講明白了卷積過程在caffe寫程式碼的時候是怎麼實現的。

2.它還寫了卷積後輸出影象大小N為：

N=[(（image_h + 2*pad_h – kernel_h）/stride_h)+ 1]*[(（image_w +2*pad_w – kernel_w）/stride_w) + 1] (結果向上取整)

    image_h：輸入影象的高度

    image_w：輸入影象的寬度

    pad_h：在輸入影象的高度方向兩邊各增加pad_h個單位長度（因為有兩邊，所以乘以2）

    pad_w：在輸入影象的寬度方向兩邊各增加pad_w個單位長度（因為有兩邊，所以乘以2）

    kernel_h：卷積核的高度

    kernel_w：卷積核的寬度

    stride_h：高度方向的滑動步長；

    stride_w：寬度方向的滑動步長。

    因此，N為輸出影象大小的長寬乘積，也是卷積核在輸入影象上滑動可擷取的最大特徵數。

    K=k*k，表示利用卷積核大小的框在輸入影象上滑動所擷取的資料大小，與卷積核大小一樣大。
 

上面是一般情況下的計算,在tensorflow中根據padding時引數選擇不同,卷積輸出影象的計算方式也可能不同,見:Tensorflow中卷積的padding操作

3.池化大小的計算與卷積類似:

N=[（（image_h + 2*pad_h – kernel_h）/stride_h)+ 1]*[（（image_w +2*pad_w – kernel_w）/stride_w )+ 1] (結果向上取整)

    image_h：輸入影象的高度

    image_w：輸入影象的寬度

    pad_h：在輸入影象的高度方向兩邊各增加pad_h個單位長度（因為有兩邊，所以乘以2）

    pad_w：在輸入影象的寬度方向兩邊各增加pad_w個單位長度（因為有兩邊，所以乘以2）

    kernel_h：池化區域的高度

    kernel_w：區域的寬度

    stride_h：高度方向的滑動步長；

    stride_w：寬度方向的滑動步長。

    因此，N為輸出影象大小的長寬乘積，也是卷積核在輸入影象上滑動可擷取的最大特徵數。
 

附tensorflow卷積計算：

先定義幾個引數

輸入圖片大小 W×W
Filter大小 F×F
步長 S
padding的畫素數 P

於是我們可以得出：N = (W − F + 2P )/S+1
輸出圖片大小為 N×N

三.卷積時引數的理解

卷積運算時總是有一個引數需要選擇，matlab中是shape，python中是border_mode

關於shape選項的說明；

當shape=full時，返回全部二維卷積結果，即返回c的大小為（ma+mb-1）x（na+nb-1）
shape=same時，返回與a同樣大小的卷積中心部分
shape=valid時，不考慮邊界補零，即只要有邊界補出的零參與運算的都捨去，返回c的大小為（ma-mb+1）x（na-nb+1）