卷积层
- 填充：
如果原输入的高和宽是nh和nw，卷积核的高和宽是kh和kw，在高的两侧一共填充ph行，在宽的两侧一共填充pw列，则输出形状为：
(nh+ph−kh+1)×(nw+pw−kw+1)
2.步幅：
一般来说，当高上步幅为sh，宽上步幅为sw时，输出形状为：
⌊(nh+ph−kh+sh)/sh⌋×⌊(nw+pw−kw+sw)/sw⌋
如果ph=kh−1，pw=kw−1，那么输出形状将简化为⌊(nh+sh−1)/sh⌋×⌊(nw+sw−1)/sw⌋。更进一步，如果输入的高和宽能分别被高和宽上的步幅整除，那么输出形状将是(nh/sh)×(nw/sw)。
当ph=pw=p时，我们称填充为p；当sh=sw=s时，我们称步幅为s。
3.多输入通道：
常见卷积神经网络
池化层
池化层主要用于缓解卷积层对位置的过度敏感性。
池化层直接计算池化窗口内元素的最大值或者平均值，该运算也分别叫做最大池化或平均池化。
AlexNet
使用重复元素的网络（VGG）
⽹络中的⽹络（NiN）
GoogLeNet