每层神经网络输入与输出的关系如下所示：

其中D大多数情况都默认为1，因此上述公式可简化为：

其中：

N表示输出图片尺寸（N×N）

W 表示输入图片尺寸（W×W）

F 表示卷积核的大小（F×F）

S 表示步长

P 表示填充的像素数（Padding）

D 表示卷积核元素间隔，正常卷积该参数为1，当其大于1时表示空洞卷积

池化层的计算大致一样，也是利用滤波器的大小 F×F 和 步长的大小 S 进行计算；通常是不加 padding 的，如果有 Padding， 则完全按照卷积的公式计算即可。

Pytorch 中，实现卷积神经网络的两个主要函数：

#卷积
torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

#池化
torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)