卷積尺度變化
輸入矩陣格式: 樣本數目，圖像高度，圖像寬度，圖像通道數
卷積之后矩陣格式: 樣本數目，圖像高度，圖像寬度，圖像通道數 （后三個維度在卷積之后會發生變化）
權重矩陣（卷積核的格式:卷積核高度，卷積核寬度，輸入通道數，輸出通道數（以RGB為例，每個通道對應自己的一個權重矩陣），輸出通道數（卷積核的個數）
偏置: 輸出通道數（一個卷積核對應一個偏置）
H_out = (H_in-H_k+2padding)/stride + 1
W_out = (W_in-W_k+2padding)/stride + 1
CNN中卷積層的計算細節 - Michael Yuan的文章 - 知乎
https://zhuanlan.zhihu.com/p/29119239
在深度學習框架中，如果我們選擇padding = 'SAME'，輸出的尺寸為W/S \lceil W/S \rceil
如果我們選擇為padding = 'Valid',輸出尺寸: \lceil (W-F+1)/S \rceil (向上取整)
參考-TensorFlow中CNN的兩種padding方式“SAME”和“VALID”