上图中，输入的高度和宽度都为3，卷积核的高度和宽度都为2，生成的输出表征的维度为 2 × 2 2\times2 2×2。从上图可看出卷积的输出形状取决于输入形状和卷积核的形状。
填充
以上面的图为例，在应用多层卷积时，我们常常丢失边缘像素。
解决这个问题的简单方法即为填充（padding）：在输入图像的边界填充元素（通常填充元素是0）。
例如，在上图中我们将 3 × 3 3\times3 3×3输入填充到 5 × 5 5\times5 5×5，那么它的输出就增加为 4 × 4 4\times4 4×4。变换如下图所示：
步幅
在计算互相关时，卷积窗口从输入张量的左上角开始，向下和向右滑动。在前面的例子中，我们默认每次滑动一个元素。但是，有时候为了高效计算或是缩减采样次数，卷积窗口可以跳过中间位置，每次滑动多个元素。
我们将每次滑动元素的数量称为步幅（stride）。下图展现的是垂直步幅为3，水平步幅为2的二维互相关运算。
以上就是Python深度学习pytorch神经网络填充和步幅的理解的详细内容，更多关于pytorch神经网络填充和步幅的资料请关注服务器之家其它相关文章！
原文链接：https://blog.csdn.net/weixin_43880225/article/details/120617560
