卷積中的特征圖大小計算方式有兩種，分別是‘VALID’和‘SAME’，卷積和池化都適用，卷積除不盡的結果都向下取整，池化除不盡的結果都向上取整。
1.如果計算方式采用'VALID'，則：
其中
為輸出特征圖的大小，
為輸入特征圖的大小，F為卷積核大小，stride為卷積步長。
2.如果計算方式采用'SAME'，輸出特征圖的大小與輸入特征圖的大小保持不變，
其中padding為特征圖填充的圈數。
若采用'SAME'方式，kernel_size=1時，padding=0；kernel_size=3時，padding=1；kernel_size=5時，padding=3，以此類推。
例題：
輸入圖片大小為200×200，依次經過一層卷積（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一層卷積（kernel size 3×3，padding 1，stride 1）之后，輸出特征圖大小為：97
解析：
一層卷積 ：
注意：這里卷積是向下取整的
池化：
二層卷積：
計算尺寸不被整除只在GoogLeNet中遇到過。卷積向下取整，池化向上取整。
例如：本題 （200-5+2*1）/2+1 為99.5，取99
（99-3）/1+1 為97
（97-3+2*1）/1+1 為97
研究過網絡的話看到stride為1的時候，當kernel為 3 padding為1或者kernel為5 padding為2 一看就是卷積前后尺寸不變。
計算GoogLeNet全過程的尺寸也一樣。