filter shape
在深度学习中，“filter shape”（滤波器形状）指的是卷积神经网络中滤波器（也称为卷积核）的维度或大小。滤波器是用于在卷积层中提取特征的重要组件。
滤波器形状通常是一个四维张量，具体取决于网络的架构和设计。它的维度如下所示：[height, width, input_channels, output_channels]。
- height：滤波器的高度，表示滤波器在垂直方向上的大小。
- width：滤波器的宽度，表示滤波器在水平方向上的大小。
- input_channels：输入通道的数量，表示滤波器接收的输入特征图的通道数。
- output_channels：输出通道的数量，表示滤波器生成的输出特征图的通道数。
滤波器的形状决定了它与输入数据进行卷积运算时的操作。具体来说，卷积运算通过滑动滤波器在输入数据上，并在每个位置上执行逐元素相乘和求和的操作，得到输出特征图。滤波器的大小和通道数量决定了神经网络的自由度和特征提取能力。
在网络的不同层中，滤波器形状可能会有所不同，以适应不同层级的特征提取和表达需求。通过定义适当的滤波器形状，神经网络可以从输入数据中学习到更高级别的特征表示，从而提高模型的表现能力。
padding
在深度学习中，"padding"是指在卷积运算中对输入数据进行补零操作的一种技术。
在卷积操作中，卷积核通过滑动窗口在输入数据上进行扫描，并在每个位置上执行卷积运算。通常情况下，输入数据的尺寸会减小，因为滑动窗口无法在边界处进行完整的卷积操作。为了解决这个问题，并保持输出尺寸与输入尺寸相同，可以使用padding技术。
Padding通过在输入数据周围添加额外的边界值来实现。这些额外的值通常使用0填充（称为"zero padding"），因此padding操作也被称为"zero padding"。通过在输入的上、下、左、右四个方向上进行适当的填充，可以保持输出特征图的尺寸与输入特征图相同。
通过padding，可以在卷积操作中保留边界信息，有助于提取特征并减少信息丢失。此外，padding还有助于避免因为多次卷积运算导致特征图尺寸过小而丧失有效特征。
在选择padding的大小时，需要考虑输入数据的尺寸、卷积核的大小以及期望的输出尺寸。通常，可以根据卷积层的设计要求来确定padding的大小。
总之，padding是一种在卷积运算中使用零填充输入数据的技术，以保持输出特征图的尺寸与输入特征图相同，提供更好的特征提取和信息保留能力。
strides
在深度学习中，“strides”（步幅）是卷积操作中定义滑动窗口移动的步长。它控制了卷积核在输入数据上的移动间隔。
在卷积操作中，滤波器通过滑动窗口的方式在输入数据上执行卷积运算。步幅决定了滑动窗口在每个方向上的移动间隔的大小。
通常情况下，步幅是一个正整数，可以在水平和垂直方向上分别指定。例如，如果步幅为1，则滑动窗口按照一个像素的间隔在输入数据上滑动；如果步幅为2，则滑动窗口每次跳过2个像素。
通过调整步幅的大小，可以控制输出特征图的尺寸。较大的步幅会导致输出尺寸的缩小，因为滑动窗口的移动间隔增大，而较小的步幅会保持较大的输出尺寸。
选择适当的步幅大小可以影响深度神经网络的特征提取能力和计算效率。较大的步幅可能引入信息丢失，因为滑动窗口的覆盖范围减少，较小的步幅可以更细致地捕捉特征，但同时会增加计算成本。
需要注意的是，当步幅大于1时，输出特征图的尺寸会减小，可能需要通过padding来保持尺寸一致。
总之，步幅是卷积操作中控制滑动窗口移动间隔的参数，影响特征图尺寸和计算效率。选择适当的步幅大小可以平衡特征提取和计算要求。
实战
Filter shape:3*3*3*32
Padding:1*1
Strides:2*2
