如果你用一个3x3的卷积核去过滤一个6x6的矩阵，那么会输出一个4x4的矩阵。
通用公式:
(n-f+1)x(n+f-1)
n:图像大小
f:卷积核大小
卷积的缺陷有两个
1.边缘上的元素被卷积核覆盖的次数很少，而靠近中心点的元素被卷积核覆盖的次数相对来说更多，这样会丢失很多图片边界上的信息。
2.卷积的次数越多，输出的矩阵越小。
为解决上述问题，我们可以填充边缘来增大图片。
例如在周围补上一层为0的像素点，使得本来6x6的图片变为8x8的图片。
我们通过填充保持了图片原来6x6的大小。
公式变为：
通用公式:
(n+2p-f+1)x(n+2p+f-1)
p:padding
到底应该如何填充，我们往往有两个选择，即vaild卷积和same卷积，
vaild:不做填充
same：填充使得输入和输出结果相同
p=(f-1)/2
一般选择奇数大小的过滤器
