熟悉CNN应该都知道常见的卷积核都是3 * 3或者5 * 5等，也就是奇数*奇数，似乎都没看过偶数的，这是为什么呢？
在CNN中，卷积核的大小是3 * 3 或者5 * 5是最常见的。也就是说我们见到的卷积核几乎都是奇数 * 奇数的。在LeNet5中两个卷积层的卷积核都是5*5。
而在AlexNet中共有5个卷积层，conv1的卷积核大小是11* 11；conv2的卷积核大小是5* 5；conv3的卷积核大小是3* 3；conv4的卷积核大小是3* 3；conv5的卷积核大小是3*3。
看到了吗？都是奇数！这是为什么呢？
- 解答1：更容易padding！
在卷积时，我们有时候需要卷积前后的尺寸不变。这时候我们就需要用到padding。假设图像的大小，也就是被卷积对象的大小为nn，卷积核大小为kk，padding的幅度设为(k-1)/2时，卷积后的输出就为(n-k+2*((k-1)/2))/1+1=n，即卷积输出为n*n，保证了卷积前后尺寸不变。但是如果k是偶数的话，(k-1)/2就不是整数了。
- 解答2：更容易找到卷积锚点！
在CNN中，进行卷积操作时一般会以卷积核模块的一个位置为基准进行滑动，这个基准通常就是卷积核模块的中心。若卷积核为奇数，卷积锚点很好找，自然就是卷积模块中心，但如果卷积核是偶数，这时候就没有办法确定了，让谁是锚点似乎都不怎么好。