1、CNN输入输出的计算
公式：
OutputSize = ( InputSize + PadSize*2 - FilterSize ) / Stride + 1
输出大小 = （输入大小 + Pad大小 * 2 - 卷积核大小）/ 步长 + 1
公式中Pad之所以乘2，是因为对于宽度来讲，左右两边都加了Pad，公式中的Pad指单边大小，CNTK中pad=True时，padsize=1
注意事项：
0）详细参见该文
https://arxiv.org/pdf/1603.07285.pdf
1）当不能整除步长时，余数取整（加一或舍弃），例如对Mnist操作，输入28，Pad为1，卷积核5，Stride为2时，输出=( 28 + 1*2 - 5)/2 +1 = 25/2 + 1 = 12.5 + 1 = 13 + 1 = 14
也就是说，输入为28*28 ，经过（卷积核大小为5*5，Pad为1，步长为2）的卷积后，输出大小为14*14，如果过滤器Filter有10个，则输出Shape为10*14*14
2）Pad设为Same时的含义，参见该文
FULL:edge_row = kernel_row - 1; edge_cols = kernel_cols - 1;
SAME:edge_row = (kernel_row - 1) / 2;edge_cols = (kernel_cols - 1) / 2;
VALID:edge_row = edge_cols = 0;
其中edge_row即Pad，kernel_row就是卷积核大小
3）关于cnn各参数的关系，参见CNTK的cnn动画版描述
4）为什么卷积核都是奇数？
https://www.zhihu.com/question/279077251/answer/404918175
设原始图像为n*n维，卷积核尺寸为f*f，在没有padding和stride为1的情况下，输出尺寸为
(n-f+1)*(n-f+1)
在有padding的情况下，padding尺寸为p，输出尺寸为：(n+2p-f+1)*(n+2p-f+1)
在有same padding的情况下，我们希望输出尺寸与输入尺寸一致，所以
n+2p-f+1=n > p=(f-1)/2
所以我们可以看出，为了使得p取整数，我们需要使用奇数的卷积核尺寸，否则我们可能会面临非对称padding的情况，既左边多一点，或者右边多一点，这样是不合理的。
另外一个重要原因是奇数卷积核尺寸，我们有对称中心点，中心点左边和右边是对称的，上面和下面是对称的。而偶数卷积核则没有这样的中心点。
5） 对full、same、valid三个参数的对比说明（图）
https://blog.csdn.net/zy3381/article/details/43274029
6）cnn平易参考
