在卷积神经网络中，卷积操作是指将一个可移动的小窗口（称为数据窗口）与图像进行逐元素相乘然后相加的操作。这个小窗口其实是一组固定的权重，它可以被看作是一个特定的滤波器（filter）或卷积核。
对图片进行进行卷积之后，生成的是特征图。掌握特征图的大小计算公式是学习卷积神经网络中的一项基本功，大家要务必牢记于心。
上式的参数说明如下所示：
padding为特征图填充圈数，主要目的是确保卷积核能够覆盖输入图像的边缘区域，同时保持输出特征图的大小，
k为卷积核大小，
stride为步长。
另外，大家也要掌握池化操作之后特征图大小的计算方法：
$$feature_{out} = \lfloor \frac{ feature_{in} - k }{stride} \rfloor + 1 $$