池化和卷积操作在输入张量上滑动一个“窗口”。以tf.nn.conv2d为例：如果输入张量有四个维度：[batch, height, width, channels]，那么卷积在height, width维度上的二维窗口上运算。
strides决定了窗口在每个维度上移动的距离。一般用法将第一个（批次）和最后一个（深度）步长设置为1。
我们来看一个非常具体的例子：对一个 32x32 的灰度输入图像进行 2D 卷积运算。这里使用灰度图是因为它的深度等于 1，这使得问题简单化。假设该图像长这样：
00 01 02 03 04 ...
10 11 12 13 14 ...
20 21 22 23 24 ...
30 31 32 33 34 ...
...
让我们在单个示例上运行一个2x2的卷积窗口（批量大小=1）。我们将给卷积一个8的输出通道深度。
卷积的输入具有shape=[1, 32, 32, 1]。
如果您使用strides=[1,1,1,1]和padding=SAME指定，则滤波器的输出将为[1, 32, 32, 8]。
滤波器将首先为以下内容创建输出：
F(00 01
10 11)
然后是：
F(01 02
11 12)
等等。然后它将移动到第二行，计算：
F(10, 11
20, 21)
然后
F(11, 12
21, 22)
F(00, 01
10, 11)
然后
F(02, 03
12, 13)
对于池化操作，步幅的操作方式类似。
问题2：为什么卷积神经网络使用步幅 [1，x，y，1]？
第一个1表示批处理大小：通常不希望跳过批处理中的示例，否则就不应该在第一次包含它们。 :)
最后一个1是卷积的深度：出于相同的原因，通常不希望跳过输入。
Conv2d运算符更加通用，因此您可以创建沿其他维度滑动窗口的卷积，但这不是卷积神经网络的典型用途。 典型用途是在空间上使用它们。
为什么要重塑成-1 -1是一个占位符，表示“根据需要调整以匹配完整张量所需的大小”。 这是使代码独立于输入批处理大小的一种方法，因此可以更改管道而不必在代码的各个位置调整批处理大小。
输入数据是四维的，其形式为：[batch_size, image_rows, image_cols, number_of_colors]
步幅通常用于定义操作之间的重叠。在conv2d的情况下，它指定了卷积过滤器连续应用之间的距离。特定维度上的值1表示我们在每一行/列上都应用操作符，值2表示每隔两行/列应用一次操作符，以此类推。
关于问题1：卷积中重要的值是第二个和第三个，它们代表卷积过滤器沿行和列的应用重叠。 [1, 2, 2, 1] 的值表示我们希望在每隔两行和两列上应用过滤器。
关于问题2：我不知道技术限制（可能是CuDNN的要求），但通常人们会在行或列维度上使用步幅。在批量大小上这样做可能没有意义。最后一个维度我不确定。
关于问题3：在某个维度上设置-1的意思是“设置第一个维度的值，使得张量中元素的总数不变”。在我们的情况下，-1将等于batch_size。
假设您的 input = [1, 0, 2, 3, 0, 1, 1]，kernel = [2, 1, 3] ，卷积的结果是[8, 11, 7, 9, 4]。在计算中，滑动您的卷积核（kernel）在输入（input）上，执行逐元素乘法并将所有结果相加。就像这样：
我们在这里每次滑动一个元素，但用任何其他数字也可以。 这个数字就是步幅（stride）。 您可以将其视为通过仅取每s个结果来对1步幅（strided）卷积的结果进行下采样。
如果知道输入大小i、卷积核大小k、步幅（stride）s和填充（padding）p，则可以轻松计算卷积的输出大小如下：
这里的 || 运算符表示向上取整操作。 对于池化层s = 1。
了解了一维情况下的数学知识，理解多维情况就容易了，因为每个维度是相互独立的。所以你只需要分别滑动每个维度。这里有一个二维的例子。注意，你不需要在所有维度上都使用相同的步长。因此，对于N维输入/核心，应提供N个步长。
如果shape的某个组件是特殊值-1，则计算该维度的大小，以便总大小保持不变。特别地，shape为[-1]展平为1-D。shape中最多只有一个分量可以是-1。
stride在3D卷积中是如何工作的。
根据TensorFlow文档上对conv3d的说明，输入的形状必须按照以下顺序排列：
[batch, in_depth, in_height, in_width, in_channels]
让我们使用一个例子，从极右边到左边解释变量。假设输入形状为input_shape = [1000,16,112,112,3]。
input_shape[4] is the number of colour channels (RGB or whichever format it is extracted in)
input_shape[3] is the width of the image
input_shape[2] is the height of the image
input_shape[1] is the number of frames that have been lumped into 1 complete data
input_shape[0] is the number of lumped frames of images we have.
strides[0] = strides[4] = 1。
正如许多作品所指出的那样，步幅简单地表示窗口或卷积核距离最近元素（数据帧或像素）跳跃的步数（这是引用的意思）。
从上述文档中可以看出，3D中的步幅将如下所示：strides = (1, X, Y, Z, 1)。
文档强调了strides[0] = strides[4] = 1。
strides[0]=1 means that we do not want to skip any data in the batch
strides[4]=1 means that we do not want to skip in the channel