使用更大的卷積核可以更快地減小輸出大小，在層數(shù)較大時(shí)，圖像會(huì)變得過(guò)小。

解決方案1：填充

不填充的話邊緣上用到的信息次數(shù)沒(méi)有中間的多，填充后，可以增多邊緣信息的讀取次數(shù)。

下圖展示了常用的填充列數(shù)和行數(shù)，基本思路是保持輸出和輸入數(shù)據(jù)形狀不變。

解決方案2：步幅

步幅對(duì)輸出形狀的影響（調(diào)整步幅通?？梢詫?shù)據(jù)成倍縮小）

卷積核大小、數(shù)據(jù)填充量、步幅等都是卷積層的超參數(shù)

總結(jié)：

代碼實(shí)現(xiàn)

在所有側(cè)邊填充一個(gè)像素

import torch
from torch import nn


# 為了方便起見(jiàn)，我們定義了一個(gè)計(jì)算卷積層的函數(shù)。
# 此函數(shù)初始化卷積層權(quán)重，并對(duì)輸入和輸出提高和縮減相應(yīng)的維數(shù)
def comp_conv2d(conv2d, X):
    # 這里的（1，1）表示批量大小和通道數(shù)都是1
    X = X.reshape((1, 1) + X.shape)
    #此步是將二維數(shù)據(jù)X（8,8）轉(zhuǎn)化為四維數(shù)據(jù)X（1,1,8,8）
    Y = conv2d(X)
    # 省略前兩個(gè)維度：批量大小和通道
    return Y.reshape(Y.shape[2:])

# 請(qǐng)注意，這里每邊都填充了1行或1列，因此總共添加了2行或2列
conv2d = nn.Conv2d(1, 1, kernel_size=3, padding=1)
X = torch.rand(size=(8, 8))
comp_conv2d(conv2d, X).shape

輸出結(jié)果

torch.Size([8, 8])

填充不同的高度和寬度，同時(shí)調(diào)整卷積核大小，使輸入輸出數(shù)據(jù)形狀不變

conv2d = nn.Conv2d(1, 1, kernel_size=(5, 3), padding=(2, 1))
comp_conv2d(conv2d, X).shape

torch.Size([8, 8])

將高度和寬度步幅設(shè)為2（stride控制步幅）

conv2d = nn.Conv2d(1, 1, kernel_size=3, padding=1, stride=2)
comp_conv2d(conv2d, X).shape

torch.Size([4, 4])

一個(gè)稍微復(fù)雜的例子。

conv2d = nn.Conv2d(1, 1, kernel_size=(3, 5), padding=(0, 1), stride=(3, 4))
comp_conv2d(conv2d, X).shape

torch.Size([2, 2])

補(bǔ)充知識(shí)：

填充（上下邊總填充量）一般取核邊長(zhǎng)-1

卷積步幅最好取1，一般取2，在計(jì)算量過(guò)大時(shí)取更大值

卷積核邊長(zhǎng)一般取奇數(shù)，因?yàn)閜adding=kernel-1，而padding是分在圖片上下的，kernel為奇數(shù)，padding就可以對(duì)半分。