步幅(stride)步幅为s的卷积运算数学表达式步幅大于一个像素的卷积在数学上等价于单位步幅的卷积随后降采样（down-sampling）上图表示两种步幅(stride)为2的卷积运算方法，后者计算了许多被舍弃的值，在计算上是浪费的。零填充（padding）如果不加入零填充操作（即在输入V的外围用 0 填充），每层的输出的宽度会随着卷积层的深入而减小。缩减的幅度是比核少一个像素。假如使用的核(kernel)比较大，缩减的幅度就很大，那么网络空间的宽度就会快速缩小。否则就必须要选择一个较小的核。以下列出三种零填充情况。有效卷积（valid）：无论如何不使用零填充操作。优点：输出的所有像素都是输入中相同数量像素的函数；输出像素的表示比较规范。缺点：加入输入图像的宽度是m，核的宽度是k，那么输出的宽度就会变成 m-k+1 。当核的宽度比较大时，缩减率就非常显著。因为缩减数大于0，所以此方法限制了网络中能够包含的卷积层
步幅(stride)步幅为s的卷积运算数学表达式步幅大于一个像素的卷积在数学上等价于单位步幅的卷积随后降采样（down-sampling）上图表示两种步幅(stride)为2的卷积运算方法，后者计算了许多被舍弃的值，在计算上是浪费的。零填充（padding）如果不加入零填充操作（即在输入V的外围用 0 填充），每层的输出的宽度会随着卷积层的深入而减小。缩减的幅度是比核少一个像素。假如使用的核(kernel)比较大，缩减的幅度就很大，那么网络空间的宽度就会快速缩小。否则就必须要选择一个较小的核。以下列出三种零填充情况。有效卷积（valid）：无论如何不使用零填充操作。优点：输出的所有像素都是输入中相同数量像素的函数；输出像素的表示比较规范。缺点：加入输入图像的宽度是m，核的宽度是k，那么输出的宽度就会变成 m-k+1 。当核的宽度比较大时，缩减率就非常显著。因为缩减数大于0，所以此方法限制了网络中能够包含的卷积层
