概要
CNN在进行卷积操作的时候，可以认为是输入图像（Input）与卷积核（Kernel）的对应加权求和。其中，卷积的时候，又可分为输出图像（Output）比输入图像缩小的卷积（VALID）即常规情况，与卷积后长宽不变的情况（SAME），还有一种情况是FULL模式，这种不经常用。
维度就是图像的通道数，想象一个通道为3的RGB图像，维度=3。也可以把input想象成一个立方体，有长宽高属性，如下图:w和h是input的size，而C2即维度，或通道数。
1.VALID
常规的卷积输出图像的size是较输入图像的size有所变小：
如上图所示，一个4X4的input，经过3X3的kernel（或filter）卷积，最终输出2X2的output。这种模式的卷积将input的size缩小。
公式：
2.SAME
SAME模式输出size等于输入size，这时需要填充：
如上图所示，一个6X6的input，padding为1，strides = 1,即将input外围上一圈。经过一个3X3的kernel卷积，输出仍为一个6X6的size。
填充： 一般是往填充位加0。填充的目的是，保持原图大小输出，保证图像边缘信息不丢失。想想，若不填充，那么卷积核在边缘位置进行运算的次数就会少很多，因此，就有可能丢失一些有用的边缘信息。
公式：
其中，strides = 1。
3.FULL
这种方式不常用，与valid相反，这种方式是将输入放大的一种操作。
如上图所示，输入为2X2的input经过3X3的卷积核卷积，paddings = 2，strides = 1。输出为4X4的output。
公式：
其中，strides = 1。
4.维度
输出维度或通道数，output_channels = 卷积核个数。
其实，就相当于每个卷积核分别对input做卷积，当然就会输出两个output。
5.参数共享
参数共享目的在于减少参数量，提高性能。
例如，输入为55x55x96（长，宽，通道数）的input，自身神经元的个数为55x55x96=290,400。而在卷积过程中，每个神经元又会与filter做运算，假如filter的大小为11X11X3，那么filter的参数将会是11X11X3 = 363，而每个channel还会有一个偏置项（bias），如果忽略掉bias，那么总参数将会达到290,400X363=105,705,600，那将是非常可怕的，这对于参数的调整和传递非常不利，因此卷积神经网络引入权值共享原则，一个特征图上每个神经元对应的363个权值参数被每个神经元共享，这里的共享其实就是指的每个神经元中363个权值参数采用对应相同的权值，权值共享时，只是在每一个filter上的每一个channel中是共享的，这样便只需363*96=34848个权值参数，而加上96个偏置项，也只不过才34944个参数，大大减少了计算量。
参考链接：https://blog.csdn.net/HelloZEX/article/details/81109136#commentBox