神经网络：CNN中的filter，kernel_size，strides，padding对输出形状的影响

输入数据在经过卷积层后，形状一般会发生改变，而形状的变化往往与以下四个超参数有关。

1，filter（out_channel）

该超参数控制着输入数据经过卷积层中需要与几个卷积核进行运算，而输入数据与每个卷积核进行卷积运算后会产生一个二维矩阵，因此最后会产生 filter 个矩阵，分别分布在输出的各个通道中。故该超参数决定输出的通道数。

2，kernel_size（k）

卷积核的宽高一般来说是相等的，且都等于kernel_size，对应一个n x n x 3 （忽略样本轴）的输入数据，在经过卷积层后，输出的宽高 = 1 + (n - k) // s，双斜杠表示整除，s表示步幅strides。当n，k，s中的某个宽高不相等时，则输出的宽高需分别代入n, k, s的宽高进行计算。

3，strides（s）

步幅的大小决定了视野域（卷积核的形状映射在输入数据上的窗口）每次移动的距离，输出的宽高符合公式 1 + (n - k) // s。

4，padding

padding的设置在卷积运算之前就对元输入数据进行修改填充0，一般来说padding可取值VALID或SAME（pytorch中可分别对行列进行填充）。
①当取值为VALID时，则可用公式 1 + (n - k) // s 计算输出的宽高。
②当取值为SAME时，这时 k 的奇偶性就会影响到填充效果。
A：当 k 为奇数时，则上下左右都会填充 (k - 1) / 2 （可整除）个0行，故宽高可用公式 1 + (n + k - 1 - k) // s = 1 + (n - 1) // s（在Pytorch中，当 padding = SAME 时，s 必须等于1）。如下图（n = 5，k = 3，s = 1）

B：当k为偶数时，则上下左右都会填充(k - 1 - 1) / 2 = （k - 2）/ 2 个0行，然后下与右再填充1个0行，故宽高可用公式 1 + (n - k + k - 2 + 1) // s = 1 + (n - 1) // s 。如下图（n = 5，k = 2，s = 1）

综上所述：当取值为SAME时，输出的宽高可用公式 1 + (n - 1) // s 计算。
欢迎提问！