前言
先強調一點：
涉及到參數，都是針對Tensorflow來講的。
本文主要說一些CNN最常用的幾個參數。
以及各種組合情況下卷積之後計算形狀的規律公式。
filters (必填， 這個本文不說)
kernel_size （必填）
strides (選填， 默認爲 (1,1) )
padding （選填，默認爲 valid）這裏先提一下，通用公式： (寬高都用這個公式，我只列出了高度的)
h圖片輸出 = （h圖片輸入 - h卷積核 + 2padding） / strides + 1也許你看起來沒什麼問題，但是Tensorflow中的API可不告訴你padding是幾。
而是提供給你2個可選參數：
padding='valid' (默認參數) # 代表不做padding，滑動不能越界，多餘就裁剪。
padding='same' # same我會在下面展開說明。無same情況
strides = 1
你完全可以按照上面的通用公式計算，但是通常情況下我會用另一個簡便的公式：
h圖片輸出 = h圖片輸入 - h卷積核 + 1 strides != 1
這個就得使用上面的通用公式了：
h圖片輸出 = （h圖片輸入 - h卷積核 + 2padding） / strides + 1有same情況
加了same，情況就比較複雜一些了。
same 就是 讓你在不同的 strides滑動情況下，幫你把原圖片虛擬補全。
使得filter在圖片中完全滑動，(而不至於，最後剩下一點越界滑不到給無情的裁剪掉)。
strides = 1（重點）
strides=1的情況下，如果你使用了 same。
那麼same會幫你補充 padding, 使得你滑動後的特徵形狀與滑動之前的形狀 "保持一致"。
補充的padding大小爲: (敲黑板)：
padding = h圖片輸入 % h卷積核 # 看清楚，是取模運算 舉個例子，驗證一下：
假如:
圖片（輸入） = 7 x 7,
kernel_size = (5,5),
strides = 1。
（通過我們上面給出的公式，你先求 padding = 7 % 5） ，很顯然是2。
我們再用最開始講的通用公式驗證一遍：
h輸出長度 = (h輸入 - h卷積核 + 2 * padding) / 1 + 1 = 7-5 + 2*2 + 1 = 7
巧了，我們的輸入長度也是 7。
所以綜上所述： padding = h圖片輸入 % h卷積核。
可以使得：輸入形狀 與卷積後的輸出形狀一致
strides != 1（重點）
當步長strides爲多步時，如果你使用了 same。
敲黑板：那麼same會幫你補充 padding, 並且卷積後的特徵圖縮小爲原來的 strides倍。
補充的padding大小爲: (敲黑板)：
padding = h圖片輸入 % h卷積核 # 看清楚，是取模運算我爲了演示， 我突來靈感，隨便找了一個 五子棋棋盤（笑了）， 見下圖。
小技巧（有無same都適用）
當你預期想要把特徵形狀卷積之後形狀大小"成倍縮小"時，你可以 "同時" 設置：
kernel_size == strides == (n,n) # n就是縮小的倍數
說明，只要你把 kernel_size 和 strides 設置爲相等，設置爲n。那麼圖像一定會縮小n倍。
舉個栗子： n設爲3
kernel_size = (3,3)
strides = (3,3)
那麼: 你卷積出來的特徵尺寸，一定比上一層縮小3倍。結束語（聊一下Pooling2D）
pooling的通用公式和 CNN中的是一模一樣的。
Tensorflow 中 xxxPooling API參數如下：
pool_size （選填，默認爲 (2, 2) ）
strides （選填，默認爲 None） （這裏你會疑問，None是什麼鬼？？？）
我也不知道，API參數也沒給說明。當我跳進源碼，我發現如下代碼，瞬間豁然開朗！
if strides is None:
strides = pool_size （這應該就不用我解釋了吧~）
padding （選填，默認爲 valid， 通常沒必要用 same ）
我們上面說過小技巧：
卷積層中： kernel_size == strides == (n,n) # n就是縮小的倍數
池化層也同理： pool_size == strides == (n,n) # n就是縮小的倍數
又因爲剛纔又說了 ， 池化層中 strides 默認值等於 pool_size 的長度。
所以: 我們只設置一個 pool_size = (n,n)。 即可直接讓原圖縮小n倍。
所以: 池化層通常用來做降採樣。 (起到變換形狀的作用，無權重參數更新)