在CNN(1)中，我們用到下圖來說明卷積之后feature maps尺寸和深度的變化。這一節中，我們討論feature map size, padding and stride。
首先，在Layer1中，輸入是32x32的圖片，而卷積之后為28x28，試問filter的size(no padding)? (答案是5x5)。 如果沒答上來，請看下圖：
I是一張7x7的圖片，filter是3x3的，I*K生成的feature map是5x5的。所以我們推出feature map size公式為：
其中n(l)表示在l層中圖片的大小，f(l)是filter的大小所以在最初的問題中filtersize=32-28+1=5。
而在convolution操作中，有一個padding參數可以在原圖外圍加上空白格，從而使feature map的size不發生變化。通常不使用padding的Convolution稱為Valid Convolution，而使用padding輸出相同size的feature map，則稱為Same Convolution。Feature map和Padding的Size計算公式為：
其中，p(l)是padding的大小。使用Padding的原因主要有二：
第一，因為architecture的原因，不希望圖片尺寸發生變化；
其二，如果不使用padding，在圖片邊緣的pixel只被計算了一次，其數據被低估了。
Stride是表示filter工作間隔的參數，默認是1，根據需要可以設置為其他值，在設置了Stride之后，feature map的計算公式為：
其中，s(l)是stride步幅的大小。當然，圖片並不都是正方的，我們可以分別計算feature map的width和height
