一、定义
1、对于卷积，我们另一个超参数是核的大小，通常使用的卷积核是3×3或者5×5，很少用偶数核
2、填充是为了让输出不变或者变大，是为了在输入不太大，又能使模型足够深的情况下使用
3、填充：在输入周围添加格外的0的行和列
4、步幅：行和列的滑动步长
（1）输出大小与层数线性相关，加入了步幅能使之线性相关，步幅将模型输出成倍的减少，使得我的计算量不会过于复杂
（2）n是输入，k是卷积核，p是填充，s是步幅
5、总结
（1）填充和步幅是卷积层的超参数
（2）填充在输入周围添加额外的行/列，来控制输出形状的减少量
（3）步幅是每次滑动核窗口时的行/列的步长，可以成倍的减少输出形状
二、代码
1、填充
import torch
from torch import nn
# 为了方便起见，我们定义了一个计算卷积层的函数。
# 此函数初始化卷积层权重，并对输入和输出提高和缩减相应的维数
def comp_conv2d(conv2d, X):
# 这里的（1，1）表示批量大小和通道数都是1，将X.shape追加到(1, 1)后面
X = X.reshape((1, 1) + X.shape)
Y = conv2d(X)
# 省略前两个维度：批量大小和通道
#Y.shape[2:] 表示从 Y.shape 中的第三个维度开始取到最后一个维度（即去除了前两个维度）
return Y.reshape(Y.shape[2:])
# 请注意，这里每边都填充了1行或1列，因此总共添加了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
-》》torch.Size([8, 8]) #8+2-3+1=8
2、步幅
conv2d = nn.Conv2d(1, 1, kernel_size=3, padding=1, stride=2) comp_conv2d(conv2d, X).shape
-》》torch.Size([4, 4]) #（8+2-3+1）/2=4
3、总结
（1）填充可以增加输出的高度和宽度。这常用来使输出与输入具有相同的高和宽。
（2）步幅可以减小输出的高和宽，例如输出的高和宽仅为输入的高和宽的1/𝑛（𝑛是一个大于1的整数）。
（3）填充和步幅可用于有效地调整数据的维度。
