默认feature maps的宽和高相等。
常规卷积
输入的feature maps尺寸为i，卷积核的尺寸为k，stride为s，padding为p，则输出的feature maps的尺寸o为
当padding为 VALID 时，p 值等于 0，代入相应的 i，k，p，s 就可以相应的计算出 o 值了。
当padding为 SAME 时，步长 s 为 1 时，输出的 o == i，我们则可以计算出相应的 p 值为 p = (f-1) / 2
空洞卷积（Dilated convolutions）
这里引入了一个新的超参数 d，(d - 1) 的值则为塞入的空格数，假定原来的卷积核大小为 k，那么塞入了 (d - 1) 个空格后的卷积核大小 n 为：
输入的feature maps尺寸为i，stride为s，padding为p，则输出的feature maps的尺寸o为
反卷积（Transposed Convolution）
反卷积是一种特殊的正向卷积，先按照一定的比例通过补0来扩大输入图像的尺寸，接着旋转卷积核，再进行正向卷积。
输入的feature maps尺寸为i，stride为s，padding为p，则输出的feature maps的尺寸o为
