直接舉例進行說明輸出圖片的長和寬。
輸入照片為：32*32*3，
這是用一個Filter得到的結果，即使一個activation map。(filter 總會自動擴充到和輸入照片一樣的depth)。
當我們用6個5*5的Filter時，我們將會得到6個分開的activation maps，如圖所示：
得到的“新照片”的大小為：28*28*6.
其實，每個卷積層之后都會跟一個相應的激活函數（activation functions）：
微觀上，假設現在input為7*7，Filter尺寸為3*3，output過程如下所示：
最終得到一個5*5的output。
假設，input為7*7，Filter尺寸為3*3，stride(步長)為2，則output過程如下所示：
最終得到一個3*3的output。
注：在這個例子中stride不能為3，因為那樣就越界了。
總的來說
Output size=(N-F)/stride +1
當有填充(pad)時，例如對一個input為7*7進行pad=1填充，Filter為3*3，stride=1，會得到一個7*7的output。
Output size=(N-F+2*pad)/stride +1
注：0填充(pad)的主要目的是因為我們在前面的圖中所示的那樣，一直用5*5的Filter進行卷積，會導致體積收縮的太快，不利於特征的提取。
舉例說明：
在這里要注意一下1*1的卷積核，為什么呢？
舉例：一個56*56*64的input，用32個1*1的卷積核進行卷積(每一個卷積核的尺寸為1*1*64，執行64維的點乘操作)，將得到一個56*56*32的output，看到輸出的depth減少了，也就是降維，那么parameters也會相應的減少。
下面介紹一下Pooling(池化)操作：
將represention變小，易於操作和控制，對每一個activation map單獨進行操作。
用的最多的是最大池化(MAX POOLING)：
Output size=(N-F)/S +1