卷积尺度变化

输入矩阵格式: 样本数目，图像高度，图像宽度，图像通道数
卷积之后矩阵格式: 样本数目，图像高度，图像宽度，图像通道数 （后三个维度在卷积之后会发生变化）
权重矩阵（卷积核的格式:卷积核高度，卷积核宽度，输入通道数，输出通道数（以RGB为例，每个通道对应自己的一个权重矩阵），输出通道数（卷积核的个数）
偏置: 输出通道数（一个卷积核对应一个偏置）
H_out = (H_in-H_k+2padding)/stride + 1
W_out = (W_in-W_k+2padding)/stride + 1

CNN中卷积层的计算细节 - Michael Yuan的文章 - 知乎
https://zhuanlan.zhihu.com/p/29119239

在深度学习框架中，如果我们选择padding = 'SAME'，输出的尺寸为W/S \lceil W/S \rceil

如果我们选择为padding = 'Valid',输出尺寸: \lceil (W-F+1)/S \rceil (向上取整)
参考-TensorFlow中CNN的两种padding方式“SAME”和“VALID”