為什么CNN中的卷積核一般都是奇數

為什么CNN中的卷積核一般都是奇數
 

為什么CNN中的卷積核一般都是奇奇數*奇數，沒有偶數*偶數的？

咱們經常見到的多為 3 * 3、5*5;怎么從來沒有見過 4*4，6*6 之類的卷積核？無論奇數 or 偶數，都是能夠做卷積的呀

之前學習的時候真的沒有想過這些問題，再復習時，覺得全是 Why?說明之前還是沒有搞明白

從AlexNet模型的11*11、5*5、3*3，還有VGG開始統一卷積核為3*3，再到之后的模型，都沒有用過 偶數*偶數的卷積核，說明它是有問題的，或者是沒有 奇數*奇數的方便

這一串的問題，原因有兩個：

1.保證了 錨點 剛好在中間

       錨點也就是卷積核滑動時的一個參考點（相對於圖像來說，自己理解的，不保證正確，沒找到相關資料）。奇數過濾器的錨點正好在中心位置，避免了位置信息發生偏移，如果卷積核是偶數*偶數時，這時候就沒有辦法確定了錨點了。讓誰是錨點，卷積核上下左右移動之后，位置信息都會發生偏移。

2. same convolution，偶數卷積核會出現問題

       說點題外話

       做卷積時會出現兩種問題

          1）圖像越來越小；

          2）圖像邊界信息丟失，即有些圖像角落和邊界的信息發揮作用較少

       所以有時候我們會在圖像的周圍填補 0 ，一來減緩圖像變小的速度，二來，保證邊界信息不丟失。甚至有時候會讓輸入輸出的大小一樣，也就是 same convolution 比如下圖的VGG模型，卷積時輸入輸出的大小是保持不變的，只有在池化層是才會縮減一半。

 卷積之后的尺寸大小計算公式為：

輸入圖片大小 W×W
Filter大小 F×F
步長strides  S
padding的像素數 P
輸出大小為NxN
於是我們可以得出

                                                                     

這里寫一下我的理解：公式中Padding 為啥要乘以 2 ，我的理解為 在周圍填 0 的話，左右（上下）兩邊都填補 0 才有意義，保證是對稱的

做same convolution，步長S=1  Padding  P = （F-1）/ 2，也即是：需要在原圖邊長基礎上padding F-1個 0 （這個應該很好理解）,當卷積核為偶數時，P就不能保證平均分配到卷積兩邊  。