卷積操作其實可以分成三種操作:
Valid
valid 操作，滑動步長爲S，圖片大小爲N1xN1，卷積核大小爲N2xN2，卷積後圖像大小：(N1-N2)/S+1 x (N1-N2)/S+1如上圖
S = 1
N1 = 4
N2 = 3
卷積後大小 (4 - 3)/1 + 1 = 2
這中卷積操作會縮小圖像，如果步長爲1，如上圖，那麼只考慮一邊，不能進行卷積的部分就是N2 - 1（3x3只有一行可以卷積），比如上圖爲3的卷積，就有2行不能進行卷積，否則會超出邊界。所以原圖像大小就變爲N1 - (N2 - 1) = N1 - N2 + 1。若考慮步長 N1/S - (N2/S - 1) = (N1 - N2)/S + 1，其實可以把圖像進行縮小S倍、卷積核縮小S倍比較好理解。比如12x12，卷積核4x4，步長如果爲2，則可以看做是6x6圖像與2x2卷積核卷積。結果就位12/2 - (4/2 - 1) = 5。
Full
在這裏插入圖片描述
full 操作，滑動步長爲1，圖片大小爲N1xN1，卷積核大小爲N2xN2，卷積後圖像大小：N1+N2-1 x N1+N2-1 如上圖
S = 1
N1 = 5
N2 = 3
卷積後大小5 + 3 -1 = 8，其實可以看到，前2行是多出的，即N1 + (N2 - 1)
或者說這是加了padding = 2的卷積操作，可以保留更多信息
Same
same 操作，滑動步長爲1，圖片大小爲N1xN1，卷積核大小爲N2xN2，卷積後圖像大小：N1xN1 如上圖所示
S = 1
N1 = 5
N2 = 3
卷積後大小5 + 0 = 8，其實可以看到，前2行是多出的，即N1 + (0)
或者說這是加了padding = 1的卷積操作，可以保留較多信息
總結
圖片來自這裏我叫人人一博主ppt，其歸納的比較好。
參考
FCN於反捲積(Deconvolution)、上採樣(UpSampling)
卷積的三種模式:full, same, valid
卷積神經網絡 By Renrenyi (人人易)
卷積動畫