理论部分全部可参考吴恩达讲解的CNN部分。

填充

填充过程中，在很多情况下，我们会设置和来使输入和输出具有相同的高和宽。这样会方便在构造网络时推测每个层的输出形状。假设这里是奇数，我们会在高的两侧分别填充行。如果是偶数，一种可能是在输入的顶端一侧填充行，而在底端一侧填充行。在宽的两侧填充同理。
在讲例子之前，先补充一下pytorch操作维度时的contactate也就是连接操作。可以看到x.view后的(1, 1)参数直接与x.shape进行了连接。这样就对张量进行了升维的操作。

x = torch.rand(8, 8)
x = x.view((1, 1) + x.shape)
print(x.shape)
结果：
torch.Size([1, 1, 8, 8])

在定义卷积层时可以通过padding参数设置填充，可以看到设置为1后经过卷积计算张量形状不变。

def comp_conv2d(conv2d, x):
    x = x.view((1, 1) + x.shape)
    y = conv2d(x)
    return y.view(y.shape[2:])
conv2d = nn.Conv2d(in_channels=1, out_channels=1, kernel_size=3, padding=1)
x = torch.rand(8, 8)
print(comp_conv2d(conv2d, x).shape)
conv2d = nn.Conv2d(in_channels=1, out_channels=1, kernel_size=(5, 3), padding=(2, 1))
print(comp_conv2d(conv2d, x).shape)
结果：
torch.Size([8, 8])
torch.Size([8, 8])

步幅

步幅就是卷积核一次移动的步长，非常简单。

conv2d = nn.Conv2d(1, 1, kernel_size=3, padding=1, stride=2)
print(comp_conv2d(conv2d, x).shape)
conv2d = nn.Conv2d(1, 1, kernel_size=(3, 5), padding=(0, 1), stride=(3, 4))
print(comp_conv2d(conv2d, x).shape)
结果：
torch.Size([4, 4])
torch.Size([2, 2])

小结

当输入的高和宽两侧的填充数分别为时，我们称填充为。特别地，当时，填充为。当在高和宽上的步幅分别为时，我们称步幅为。特别地，当时，步幅为。在默认情况下，填充为0，步幅为1。