CNN：add padding pixels 解释
一句话总结
padding是增加各个边的pixels的数量，目的是保持feature map 不要太小，但也没必要超过原图的大小，所以不可以任意数量；
padding的上限是维持feature map 大小与原图大小一致，具体增加pixel的数量多少，由filter的尺寸和stride大小共同决定；
有一个具体的算法，实现padding, filter size, feature map size之间的相互推导计算。
padding 存在的意义在于
为了不丢弃原图信息
为了保持feature map 的大小与原图一致
为了让更深层的layer的input依旧保持有足够大的信息量
为了实现上述目的，且不做多余的事情，padding出来的pixel的值都是0，不存在噪音问题。
探索一句话版的机器学习与深度学习_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili p13
关于上述padding相关算法的细节，见以下笔记和视频
深度碎片：吴恩达深度学习课程（全）：第一遍学习完结zhuanlan.zhihu.com
为什么需要做Padding？
为什么conv-layer 之后需要加pooling_layer?
如果只有conv-layer会怎样？
使用pooling layer能解决什么问题？
为什么max_pooling 要优于strided convolution 和average_pooling?
最有downsampling的组合是什么？
如何计算feature map的长宽或filter的长宽？
怎样的情况下，设定padding=1或2或其他？
为什么filter长宽要用奇数值？
完整的计算feature map 长与宽的公式 =
n 原图片（input）长与宽，p为padding，f是filter的长与宽， s是stride值