在卷积神经网络（CNN）里，一个最容易让人“卡住”的点就是：卷积之后，特征图到底变多大？
尤其是你第一次看到这个公式时：
Hout=⌊Hin+2P−KS⌋+1 H_{out} = \left\lfloor \frac{H_{in} + 2P - K}{S} \right\rfloor + 1Hout=⌊SHin+2P−K⌋+1
其中，HinH_{\text{in}}Hin是输入尺寸（高或宽） ，KKK是卷积核大小，SSS是步长（stride） ，PPP是padding。
看起来像公式，但本质其实只有一句话：卷积输出 = 卷积核在输入上“能滑动的次数”
一、先用一个最直觉的例子理解
例如对于输入数据索引为[0,1,2,3,4,5,6]，一共7个元素。若stride=1,padding=0, kernel_size=3，卷积核会在序列上以步长 1 进行滑动。每一个合法的滑动位置都会产生一个输出，因此输出个数等于“窗口可以放置的起始位置数量”，最终得到 5 个输出。
1.1 关键问题：卷积核能放多少次？
卷积核每次覆盖 3 个元素，对于上述示例，可以放5个位置，因此输出长度为5。
二、公式理解
我们可以将公式拆分为三部分来理解：
Hout=⌊Hin+2P−KS⌋+1 H_{out} = \left\lfloor \frac{H_{in} + 2P - K}{S} \right\rfloor + 1Hout=⌊SHin+2P−K⌋+1
2.1 有效滑动范围
Hin+2P−K H_{\text{in}} + 2P - KHin+2P−K
这一部分表示卷积核在“展开后的输入”上，最后一个合法起点能走到的最远距离。
直觉上可以理解为：输入长度扩展为Hin+2PH_{in} + 2PHin+2P， 每次窗口占用KKK个位置， 所以真正能滑动的是“剩余可移动空间”。
2.2 除以 stride
SSS表示表示“每次跳多少步”，即卷积核每次“跳跃”的间隔大小。
- S=1S = 1S=1→ 每个位置都看
- S=2S = 2S=2→ 隔一个看一个
- S=kS = kS=k→ 稀疏采样
本质是控制“采样密度”，而不是影响窗口大小
2.3 最后+1：从“步数”变成“位置数”
因为卷积输出统计的是所有“合法起点”的数量，而不是移动了多少次。
把“滑动距离对应的步数”转换为“窗口起点的数量”，因为卷积的输出本质是在统计所有合法的起始位置（包括 0）。
三、推广到二维图像（CNN真正用的情况）
当输入是高为HHH，宽为WWW的图像时，卷积是一样的逻辑，只是变成“2D滑动窗口”。
以224×224224 \times 224224×224图像为例，假设参数为：kernel_size = 3 , stride = 1 , padding = 0
3.1 计算输出尺寸
带入公式可以得到输出高度：
Hout=⌊224+2⋅0−31⌋+1=222 H_{out} = \lfloor \frac{224 + 2\cdot0 - 3}{1}\rfloor + 1 = 222Hout=⌊1224+2⋅0−3⌋+1=222
同理输出宽度通过计算得到的也是222222222，因此输出特征图尺寸为222×222222 \times 222222×222。
3.2 直觉理解
可以看到输入特征尺寸从224224224变成222222222，本质是在问：3×33 \times 33×3的卷积核在长度为224224224的序列上，有多少个合法的放置位置？
卷积核的起始位置可以从：第 0 个位置（覆盖 0~2） ，一直移动到第 221 个位置（覆盖 221~223）
因此合法起点范围为：0, 1, 2, ..., 221，总共有222个位置，所以输出长度为222。
输出变小的原因在于：卷积计算可以理解为以某个“中心位置”为基准，在其左右各取一个元素（kernel_size=3）形成一个长度为 3 的局部窗口。因此，一个位置要成为合法的计算点，必须满足其左右两侧都存在足够的邻域元素。在无 padding 的情况下，输入序列最左侧和最右侧各有 1 个位置由于缺少邻域信息，无法作为有效的中心点参与计算，相当于两侧各“损失”了 1 个位置。由此，输入到输出的尺寸变化从224变为222。
四、padding 的作用：为什么可以“保持尺寸不变”
如果我们希望卷积前后尺寸不变，比如输入224×224224 \times 224224×224，输出仍然是224×224224 \times 224224×224。
常见设置如下：
- kernel_size = 3
- stride = 1
- padding = 1
4.1 公式计算
Hout=⌊224+2⋅1−31⌋+1=224 H_{out} = \lfloor \frac{224 + 2\cdot1 - 3}{1} \rfloor + 1 = 224Hout=⌊1224+2⋅1−3⌋+1=224
4.2 直觉理解
没有 padding 时， 卷积核只能在“完全落在图像内部”的区域滑动，边缘会被“裁掉”。
有 padding 时，在四周补 0 ，卷积核可以“跨到原图外侧” ，这样边界位置也能被计算。
padding 的本质，是通过在边界补零，扩展了卷积核的“合法滑动区域”，从而控制输出尺寸。
五、stride 的作用：控制“跳着看”的密度
stride（步幅）决定了卷积核在特征图上每次移动的步长。
当stride = 2时，卷积核每次在输入上向前移动 2 个位置（而不是逐格滑动）。这意味着我们不再对每一个可能的位置都进行计算，而是隔一个位置采样一次，从而减少了参与计算的“中心点”数量。因此，输出特征图的尺寸相较于stride = 1会明显减小，通常接近原来的一半（具体大小仍取决于输入尺寸和kernel size）。
5.1 直觉理解：从“逐像素扫描”到“间隔采样”
可以把卷积看成在图像上做扫描：
stride = 1：像逐像素走路，每一格都看得很仔细stride = 2：像隔一格走一步，只看“关键位置”
结果就是stride 越大，看到的信息越“稀疏”，但计算量也越小
5.2 对输出尺寸的影响
stride 本质上是在控制输出网格的“采样频率”。在不改变 padding 和 kernel 的情况下：
stride = 1 → 输出密集（信息保留更多）
stride = 2 → 输出变稀疏（尺寸缩小）
stride > 1 → 相当于对特征图做下采样（downsampling）
因此，stride 控制的不是“看哪里”，而是“每隔多远看一次”。
六、总结
可以这样理解三者分工：kernel_size控制每次“看多大范围” ，padding控制边界“能不能看见” ，stride控制看得有多密。
卷积输出尺寸本质就是：卷积核在输入上，按 stride 规则可以滑动多少次。公式只是这个过程的数学表达。
工程里最常见的几个组合：
| 设置 | 作用 | 输出变化 |
|---|---|---|
| kernel=3, stride=1, padding=1 | 保持尺寸 | 不变 |
| kernel=3, stride=2 | 下采样 | 减半 |
| kernel=1 | 通道混合 | 不变 |
