卷积向下取整 池化向上取整

在我计算GoogLeNet的每一步的图片的尺寸的时候
我运用卷积的计算公式对对我们的图片的尺寸进行计算，却发现是不行的，我就很疑惑
我用的是一下公式
（1）输入数据体的尺寸是$W_1\times H_1\times D_1$

（2）四个超参数：

• 滤波器数量K
• 滤波器空间尺寸F
• 滑动步长S
• 零填充的数量P

（3）输入数据体的尺寸为$W_2\times H_2\times D_2$，其中$W_2=\frac{W_1-F+2P}{S}+1,H_2=\frac{H_1-F+2P}{S}+1,D_2=K$

最后查了很多资料，最后得到卷积中的特征图大小计算方式有两种，分别是‘VALID’和‘SAME’，卷积和池化都适用，卷积除不尽的结果都向下取整，池化除不尽的结果都向上取整。

• ‘VALID’：相当于我们的padding = 0，所以可以直接计算便可以
• ‘SAME’：用以上的公式进行计算便可，我们需要输出特征图的大小与输入特征图的大小保持不变
  若采用’SAME’方式，kernel_size=1时，padding=0；kernel_size=3时，padding=1；kernel_size=5时，padding=3，以此类推。