先给出的卷积层输出大小的的计算公式（这里假设输入矩阵和卷积核都是方阵，不是方阵其实也类似）：
n’= (n-k)/s+1
其中，n’是卷积层输出的size，n是输入方阵的size, k是卷积核的size, s是移动的步长。即输入n*n 的矩阵，用k*k的卷积核对输入进行卷积，得到大小为n’*n’的特征图。
一直疑惑要怎么理解这个式子，虽然验证过多个卷积计算，证明feature map的大小确实等于这个式子的计算结果，但是一直想以一种更直白的方式去理解这个式子。
首先，卷积层输出的feature map的长度（即输出矩阵有几列），实际上就是水平方向上做的卷积次数。输出矩阵的高度同理。
第二，在计算水平方向上的一行的卷积次数时，不妨将卷积的关注点从k*k的卷积核转移到卷积核中的一个数上，因为卷积核平移的时候所有数字移动次数都是相同的。那么应当关注哪一个点呢，这是第三步要说的。
第三，我们要关注卷积核的平移，理论上可以关注卷积核中的任意一个数。但是这里我们选择只关注卷积核的右上角的那个小格子a，由这个数的平移方式可以得知在水平方向上平移了多少次，这个格子a一旦移到了输入矩阵的外部，那么那次移动后的计算则因为缺少输入数据而无效。那么接下来的问题就是，怎么计算这个点在输入矩阵上的移动次数。这个是重点，看第四步。
第四，直观上第一个想到的应该是，移动次数 = 总长度/移动步长，即，n’= n/s. 考虑一下这个式子的问题在哪里，有没有发现，卷积核的长度与步长不一定是相同的。也就是说，初始状态下，右上角那个小格子a在该行的第k个位置上而不是第s个位置上，点a在第一行上的移动轨迹应该是：k,k+s,k+2s,…，而不是s,2s,3s,…,因此点a一共移动了(n-k)/s次，最后再加上在初始位置上也做了一次卷积，因此一共做了(n-k)/s+1次卷积，而这就是输出特征图feature map的长度（输出矩阵的列数）。