在影象卷積和池化操作中有固定的kernel_size和stride，當stride > 1時，邊界上會有可能發生越界的問題。

Caffe中的卷積、池化後輸出影象尺寸計算

（1）卷積

計算定義在conv_layer.cpp中的compute_output_shape()函式中

const int output_h = (height + 2 * pad_h - (dilation_h * (kernel_h - 1) + 1)) / stride_h + 1;
const int output_w = (width + 2 * pad_w - (dilation_w * (kernel_w - 1) + 1)) / stride_w + 1;
 

height、width ：卷積操作輸入的影象h、w，conv_input_shape_.cpu_data()[1], conv_input_shape_.cpu_data()[2]
kernel_h、kernel_w：卷積核的h、w，kernel_shape_.cpu_data()[0], kernel_shape_.cpu_data()[1]
stride_h、stride_w：步長的h、w，stride_.cpu_data()[0], stride_.cpu_data()[1]
pad_h、pad_w：zero padding的h、w，pad_.cpu_data()[0], pad_.cpu_data()[1]

caffe的卷積操作：將kernel轉為channel*kernel_h*kernel_w大小的一維行向量，例如CIFAR10 接data層的conv1，對於3*32*32的輸入，那在conv1中卷積核就是3*5*5的一維行向量。然後將3*32*32的輸入影象按3*5*5的長度轉換為多個列向量。最後通過求向量的點積完成卷積運算。

注：channel不是指輸入影象的通道數，其指的是輸入到卷積層的通道數，比如接pooling1的conv2，輸入為32*16*16的特徵圖，那麼kernel則轉換為32*5*5的一維行向量，特徵圖對應轉為32*5*5長度的多個列向量。

im2col.cpp中im2col_cpu()

（2）池化

pooled_height_ = static_cast<int>(ceil(static_cast<float>(height_ + 2 * pad_h_ - kernel_h_) / stride_h_)) + 1;
pooled_width_ = static_cast<int>(ceil(static_cast<float>(width_ + 2 * pad_w_ - kernel_w_) / stride_w_)) + 1;

定義在pooling_layer.cpp中
CIFAR10中的pooling1，kernel為33，stride為2，pad未定義，輸入為conv1得到的3232*32的特徵圖，

pooled_height_=static_cast<int>(ceil(static_cast<float>(32+2*0-3)/2))+1=static_cast<int>(ceil(14.5))+1=16

ceil為向上取整
所以，pooling1的輸出為32*16*16

Caffe中對於越界問題的處理如圖所示：