采用宽卷积的好处有什么
窄卷积和宽卷积
对于窄卷积来说，是从第一个点开始做卷积，每次窗口滑动固定步幅。比如下图左部分为窄卷积。那么注意到越在边缘的位置被卷积的次数越少。于是有了宽卷积的方法，可以看作在卷积之前在边缘用 0
补充，常见有两种情况，一个是全补充，入下图右部分，这样输出大于输入的维度。另一种常用的方法是补充一部 0
值，使得输出和输入的维度一致。这里文中给了一个公式 。npadding
在全补充里是
filter-1
，在输入输出相等时，就要主要奇偶性了，注意到卷积核常为奇数。
为什么采用宽卷积
通过将输入边角的值纳入到滑窗中心进行计算，以便损失更少的信息。
卷积层输出的深度与哪个部件的个数相同
输出深度（通道）与卷积核（过滤器）的个数相等。
激活函数通常放在卷积神经网络的那个操作之后
通常放在卷积层之后。
如何理解最大池化层有几分缩小
池化层：对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面
进行特征压缩，提取主要特征。
池化操作一般有两种，一种是
Avy Pooling,
一种是
max Pooling
注 1：（Avy pooling 现在不怎么用了，方法是对每一个 2*2 的区域元素求和，再除以 4，得到主要特征），而一般的 filter 取 2*2,最大取 3*3,stride 取 2，压缩为原来的 1/4.
注 2：这里的 pooling 操作是特征图缩小，有可能影响网络的准确度，因此可以通过增加特征图的深度来弥补。
