卷积神经网络（卷积、池化）长度、宽度、深度计算

  卷积神经网络算是比较好理解的神经网络，说白了就是拿一堆小的矩阵去点乘（注意我说的是点乘，不是矩阵乘，这个很重要）一个大矩阵，最后得到局部信息。看图(来源于网络，只做说明用)：

卷积神经网络示意图
  我稍微解释一下，平铺直叙的说，输入一张矩阵表示的图片，有3个通道（RGB）,用两个卷积核去卷积它，每一个卷积核又是的，这个什么意思呢第一个3为通道数，要去卷积3个通道，是每一通道上的卷积核大小，最终得到的是什么呢，是一个的矩阵，2是前面说的2个卷积核，是卷积后的结果。中间只有一个疑问，为什么卷积核从三通道变成了二通道，那是因为在3进行3通道卷积后，最后的卷积结果加和了，并且加上了偏置。还不懂？你算一下FilterW0那一层和InputVolume那一层对应元素相乘之后加偏置1是不是等于6，所有的东西依此类推就计算出最后的输出矩阵了。
  下面来说一下卷积后的图像的深度(D)、宽度(W)、长度(L)都编程多少了。首先有一个概念，叫padding，实际上在tensorflow和Keras中关于卷积的时候都有两个方法可供选择，叫valid和same，所谓valid就是两边不补0，SAME就是两边补相同数目的0。好了那么问题来了，两边步几个0怎么计算啊，大家不要急这个是固定的。

• ，padding大小一般为1，两边的画就
• ，padding大小一般为2，两边的画就
• ，padding大小一般为3，两边的画就
    卷积以后的卷积核大小怎么求呢，首先确定卷积以后的矩阵深度（W）等于卷积核大小，也是是说一个卷积核生成一个feature_map（这个不懂的话自己去百度，其实图中那个绿色的矩阵就是一个feature_map）。
    然后再来说说长度和宽度，这个玩意由于是正方形矩阵，其实是一回事，有个计算公式：
  
    是不是觉得好理解多了，转化成符号：
  
    其中W/H表示宽度/长度，P表示单边(画重点单边)补全数，K代表卷积核的大小（比如5*5就是5)。好了又有一个问题出来了，为啥要加1呢，这个你就这么理解吧 你算1-9之间有几个数是不是9-1+1共9个数啊。
    相信大家已经发现通过上面这个公式你也可以反推padding的大小，不过这个没啥意义啊，你都算出来feature_map尺寸了，你还管他padding大小呢。