一.深度卷積神經網絡學習筆記（一）：
1. 這篇文章以賈清揚的ppt說明了卷積的實質，更說明了卷積輸出圖像大小應該為：
假設輸入圖像尺寸為W，卷積核尺寸為F，步幅（stride）為S（卷積核移動的步幅），Padding使用P（用於填充輸入圖像的邊界，一般填充0）,那么經過該卷積層后輸出的圖像尺寸為（W-F+2P）/S+1。
2.它寫出為什么會用padding？卷積核大小該如何確定？stride該如何確定？
二. Caffe的卷積原理：
1.這篇文章把卷積的過程寫得非常形象化，用簡單的例子用明白了卷積過程在caffe寫代碼的時候是怎么實現的。
2.它還寫了卷積后輸出圖像大小N為：
N=[(（image_h + 2*pad_h – kernel_h）/stride_h)+ 1]*[(（image_w +2*pad_w – kernel_w）/stride_w) + 1] (結果向上取整)
image_h：輸入圖像的高度
image_w：輸入圖像的寬度
pad_h：在輸入圖像的高度方向兩邊各增加pad_h個單位長度（因為有兩邊，所以乘以2）
pad_w：在輸入圖像的寬度方向兩邊各增加pad_w個單位長度（因為有兩邊，所以乘以2）
kernel_h：卷積核的高度
kernel_w：卷積核的寬度
stride_h：高度方向的滑動步長；
stride_w：寬度方向的滑動步長。
因此，N為輸出圖像大小的長寬乘積，也是卷積核在輸入圖像上滑動可截取的最大特征數。
K=k*k，表示利用卷積核大小的框在輸入圖像上滑動所截取的數據大小，與卷積核大小一樣大。
上面是一般情況下的計算,在tensorflow中根據padding時參數選擇不同,卷積輸出圖像的計算方式也可能不同,見:Tensorflow中卷積的padding操作
3.池化大小的計算與卷積類似:
N=[（（image_h + 2*pad_h – kernel_h）/stride_h)+ 1]*[（（image_w +2*pad_w – kernel_w）/stride_w )+ 1] (結果向上取整)
image_h：輸入圖像的高度
image_w：輸入圖像的寬度
pad_h：在輸入圖像的高度方向兩邊各增加pad_h個單位長度（因為有兩邊，所以乘以2）
pad_w：在輸入圖像的寬度方向兩邊各增加pad_w個單位長度（因為有兩邊，所以乘以2）
kernel_h：池化區域的高度
kernel_w：區域的寬度
stride_h：高度方向的滑動步長；
stride_w：寬度方向的滑動步長。
因此，N為輸出圖像大小的長寬乘積，也是卷積核在輸入圖像上滑動可截取的最大特征數。
三.卷積時參數的理解
卷積運算時總是有一個參數需要選擇,matlab中是shape,python中是border_mode
關於shape選項的說明；
當shape=full時，返回全部二維卷積結果，即返回c的大小為（ma+mb-1）x（na+nb-1）
shape=same時，返回與a同樣大小的卷積中心部分
shape=valid時，不考慮邊界補零，即只要有邊界補出的零參與運算的都舍去，返回c的大小為（ma-mb+1）x（na-nb+1）