Notes on Section 6.3

本节我们将介绍填充（padding）和步幅（stride）

假设以下情景： 有时，在应用了连续的卷积之后，我们最终得到的输出远小于输入大小。这是由于卷积核的宽度和高度通常大于1所导致的。比如，一个240*240像素的图像，经过层的卷积后，将减少到200*200像素。如此一来，原始图像的边界丢失了许多有用信息。而填充是解决此问题最有效的方法； 有时，我们可能希望大幅降低图像的宽度和高度。例如，如果我们发现原始的输入分辨率十分冗余。步幅则可以在这类情况下提供帮助。

通过如下实现，注意到当我们给kernel_size/padding/stride填入一个参数的时候，默认会广播成正方形（即x->x*x ），如果给两个参数，就是行/列

当我们希望一个奇数核对应图的每个位置都被作为中心计算时，padding=(kernel_size-1)/2

默认条件下，卷积窗口每次滑动一个元素，不过我们可以调整这一距离来减少采样次数，提高训练效率。

综上，填充和步幅可用于有效的调整数据的维度