W：矩阵宽，H：矩阵高，F：卷积核宽和高，P：padding（需要填充的0的个数），N：卷积核的个数，S：步长
width：卷积后输出矩阵的宽，height：卷积后输出矩阵的高
width = （W - F + 2P）/ S + 1（向下取整）
height = （H - F + 2P） / S + 1（向下取整）
当conv2d(), max_pool() 中的 padding=SAME时，width=W，height=H，则保证输入输出尺寸图片大小相等，当padding=‘valid’时，P=0，相当于不填充~~
输出图像大小：（width，height，N）其中N代表的卷积核的个数就是在卷积操作中起到的分为N个通道数的作用
当卷积操作中含有膨胀因子d，且padding=pad，k为卷积核尺寸，stride为步长时：
out = （W - (F* d-1)+2* pad）/ S + 1(W、H相同)
width = （W - F）/ S + 1（向下取整）
height = （H - F） / S + 1（向下取整）
⭐在深度学习中，可能对特征图的计算，tensorflow和pytorch的padding计算不同。
1. 在tensorflow中：如果你想要输出等于输入，padding="SAME"即可，如果你想要输出别的尺寸的特征图，使用padding=‘VALID’，conv2d会自动计算输出特征图大小。
2. 在pytorch中：pytorch里面没有same和valid，所以你想要保持输出等于输入，要利用pad=t，t为填充尺寸，以保持输入输出特征图相等。
上采样相当于放大多少倍，size=倍数，
卷积操作：
stride=[1,1,1,1]时：
padding=‘SAME’，卷积操作后图片大小不变
padding=‘VALID’，output_height=output_width = (W – F + 1) / S (结果向上取整)
stride≠[1,1,1,1]时:
padding=‘SAME’，output_height = output_width = W / S (结果向上取整)
padding=‘VALID’，output_height=output_width = (W – F + 1) / S (结果向上取整)
池化操作：
池化层通常以卷积层为输入，故此处的W和H分别为卷积层输出的featuremap的宽或者高，F为池化时的ksize的大小，S仍为步长
stride≠[1,1,1,1]时:
padding='SAME’时，output_height = output_width = W / S或者H / S (结果向上取整)
padding='VALID’时，output_height=output_width = (W – F + 1) / S (结果向上取整)
stride=[1,1,1,1]时：
padding='SAME’时，池化后featuremap大小不变，output_width =
W，output_height = H
padding=‘VALID’，output_height=output_width = (W – F + 1) / S (结果向上取整)
卷积输出尺寸进一步说明：
参数含义：
n：特征图的宽或者高
k：卷积核的尺寸
p：padding的数值，一般指单侧填充几个单元
stride：步长
转置卷积输出尺寸:
转置卷积俗称反卷积，但正规叫法是转置卷积。是上采样方式中的一种。
转置卷积用来增大特征图的分辨率的。
上采样方式：
1.插值法
2.反池化
3.反卷积
通常的上采样方式：卷积池化
