【卷积核的大小一般为奇数奇数】 11，33，55，77都是最常见的。这是为什么呢？为什么没有偶数偶数？
（1）更容易padding
在卷积时，我们有时候需要卷积前后的尺寸不变。这时候我们就需要用到padding。假设图像的大小，也就是被卷积对象的大小为nn，卷积核大小为kk，padding的幅度设为(k-1)/2时，卷积后的输出就为(n-k+2*((k-1)/2))/1+1=n，即卷积输出为n*n，保证了卷积前后尺寸不变。但是如果k是偶数的话，(k-1)/2就不是整数了。
（2）更容易找到卷积锚点
在CNN中，进行卷积操作时一般会以卷积核模块的一个位置为基准进行滑动，这个基准通常就是卷积核模块的中心。若卷积核为奇数，卷积锚点很好找，自然就是卷积模块中心，但如果卷积核是偶数，这时候就没有办法确定了，让谁是锚点似乎都不怎么好。
上述例子都只包含一个输入通道。实际上，大多数输入图像都有 RGB 3个通道。
图像卷积池化后的尺寸
卷积操作
池化操作
1、卷积层（Conv Layer）的输出张量（图像）的大小 定义如下： O=输出图像的尺寸。 I=输入图像的尺寸。 K=卷积层的核尺寸 N=核数量 S=移动步长 P =填充数 输出图像尺寸的计算公式如下： 在这里插入图片描述
上述公式的 分式部分 向下取整
公式推导：画出图片，将卷积核顶在图片的最左上角，从卷积核的右边缘开始考虑。
卷积核的右边缘位于第K个位置，还剩下L-K+2*P个位置可以去移动，一次向右移动S步。
所以，卷积核还能移动(I-K+2P)\S （向下取整）步。再加上本身就处在的位置，所以总共是(I-K+2P)\S(下取整)+1
如果需要保持原来的尺寸：通常S = 1，K = 2P+1, 如padding为0， kernel为1，padding为1，kernel为3
如果需要尺寸减小为原来的一半（DCGAN实现的discriminator有）：通常S = 2，K = 2P+2， 如padding为0kenerl为2，padding为1，kernel为4
2、池化层（MaxPool Layer）的输出张量（图像）的大小 定义如下： O=输出图像的尺寸。 I=输入图像的尺寸。 S=移动步长 PS=池化层尺寸 输出图像尺寸的计算公式如下： 在这里插入图片描述
有了上述公式以后，我特地跑到b站看了相关视频，套入公式后，发现和我们的理解一样。
公式推导：和上面卷积层的推导十分相似，把pooling移动类比kernel移动即能明白。
如果需要尺寸减小为原来的一半: stride = 2, kernel = 2, 也即是maxpool的默认参数
