从0开始深度学习（24）——填充和步幅

1 填充

在上一节中，我们的卷积步骤如下：

可以发现输入是$3\times 3$，输出是$2\times 2$，这样可能会导致原始图像的边界丢失了许多有用信息，如果应用多层卷积核，累积丢失的像素就更多了，为了解决这个问题，可以采用填充方法

填充（padding）：在输入图像的边界填充元素（通常填充元素是0）

例如我们对下面的输入图像进行填充，形状由$3\times 3$变为$5\times 5$，这样它的输入会变成$4\times 4$：

通常，如果我们添加 $p_h$ 行填充（大约一半在顶部，一半在底部）和 $p_h$ 列填充（左侧大约一半，右侧一半），则输出形状将为:
$$(n_h-k_h+p_h+1)\times (n_w-k_w+$$