在卷积神经网络中，由于卷积核在输入的数据上滑动时，输出的总是一个尺寸更小的数据，假如神经网络有很多层，那么最后输出的图片不仅尺寸会跟初始数据不一样，还会有很多特征丢失。为了防止这种情况，同时尽可能地保留初始特征，也就是尽可能地让边缘的数据参与激活函数的运算，我们会在滑动前，对数据做零填充，即在数据外多一层填充了0的数据，从而让输出的数据保持原来的尺寸。假设输入的数据是7×7，卷积核是3×3，步幅为1的话，这样输出的就是5×5的尺寸，而在外围包了一层后，原来的尺寸就变成了9×9，输出也就变为了7×7，而由于我们使用的0填充，做了点积运算后，结果还是0，不影响实际的运算。
当然，在实际使用中，图片的数据是有深度的，比如32×32×3，这里的3指的就是图像数据的3个通道，比如红，绿，蓝，所以我们的输出的数据理所当然的也会有深度，但并不是对齐输入数据的深度，输出数据的深度取决于我们所用的卷积核的数量，这是因为不管输入数据的深度是多少，卷积核的深度与其保持一致，做了点积后输出的是尺寸×尺寸×1，然后再乘以卷积核的数量，也就是输出的数据叠在一起（有多少个卷积核就有多少个数据叠在一起）。注意，最终输出的数据的参数总数，等于输出数据的长乘宽后要加1再乘以深度，这里的1指的是偏置项，适用于调整权重矩阵的。
总的来说，卷积改变的是输入数据的深度，可以想象一下假如用的卷积核是1×1的尺寸，那么你选用的个数，就是你输出的数据的深度，即通过卷积改变了输入数据的深度，同时提取到了一部分特征（比较边缘化）。
而池化层部分，改变的则是数据的宽度，即尺寸的长和宽，这么做的意义是，减少输出数据的参数量，让训练不会过于复杂（且池化层部分是没有超参数的，计算复杂度更小），从而能让模型更好地学习到特征，对后续图片的分类有更大的帮助。一般我们用最大池化法，也就是选定每个区域内最显著的那个参数作为输出，而步幅我们会选择在滑动时尽量没有重叠的大小，比如输入的尺寸是4×4，池化器的大小是2×2，那么步幅就设置为2，滑动3次就将输入的数据的区域都覆盖过了。这部分也不需要做0填充，因为池化本质就是在减少数据的宽度，不需要担心有边缘数据因为大小限制没被纳入。
学习来自于斯坦福教程：Stanford University CS231n: Deep Learning for Computer Vision