卷积神经网络中卷积和池化特征图的维度变化（不能被整除问题）

在卷积的过程中，卷积核大小$kernel\_size$，填充$Padding$，步长$Stride$。都会影响卷积输出的维度。假设输入维度为$H\ast W\ast C$，卷积核的大小为$k$，填充值为$p$，步长为$s$，则输出特征图的维度为$H^{\prime }\ast W^{\prime }\ast C^{\prime }$，参数量为：$k^2\times C\times C^{\prime }+C^{\prime }$
$$H^{\prime }=\frac{H+2p-k}{s}+1$$
而当计算池化操作时，参数量为0，且由于没有padding操作，则：
$$H^{\prime }=\frac{H-k}{s}+1$$
特别的：
当计算尺寸不被整除时，卷积向下取整，池化向上取整。（只在GoogLeNet中遇到过。）