步幅是应用卷积核的空间位置之间的距离。默认情况下，每个维度的距离为 1。正如@Axel Vanraes提到的，这也是张量流中的默认值。

我想这有时被称为非跨步卷积，尽管这是不正确的：步幅是一。当步幅大于 1时，人们通常会谈论跨步卷积 以明确区分。

可视化差异：

• Stride-1 卷积（“非跨步”）：

• Stride-2 卷积（“跨步”）：

  

图片来自https://github.com/vdumoulin/conv_arithmetic

总有一大步。卷积的整个想法是你在输入向量、矩阵或张量上跨过窗口。

步幅参数告诉您步幅中的步长。默认情况下，它在任何框架中都可能是 1。您可以增加步幅（步长）以节省空间或缩短计算时间。这样做时您将前面提到一些信息，这是资源消耗（无论是 CPU 还是内存）和检索到的信息之间的权衡。

应用卷积意味着在输入信号上滑动内核，输出加权和，其中权重是内核内部的值。步幅是滑步。步幅不能为 0，这意味着根本不滑动。在论文中，他们使用步长为 2X2 的卷积，x 和 y 方向的步长均为 2，然后是非步长卷积，步长 1，步长 1。您可以从论文的 fig2 中观察到卷积的输出步幅为 2 的输入（前 3 个卷积层）的宽度和高度减半，而步幅为 1 的卷积的输出（后两个卷积层）的宽度 = input_width-2 和高度 = height-2，因为内核是 3x3。

首先，不存在非跨步卷积。使用低级 API，以下语句将给出错误，因为strides参数中的每个元素都必须大于零！

y = tf.nn.conv2d(x, strides=[1, 0, 0, 1]) # error !
y = tf.nn.conv2d(x, strides=[1, 1, 1, 1]) # OK

请注意，第一个（=样本索引）和最后一个（=通道）维度必须等于 1。

其次，当使用TF Layers API时，strides参数有一个默认值：

tf.layers.conv2d(
    inputs,
    filters,
    kernel_size,
    strides=(1, 1), 
    ...

请注意， strides元组中只有两个条目对应于 Layers API 中的第二个和第三个条目。第一个和最后一个维度被删除。

因此，如果您没有设置strides参数，默认情况下卷积过滤器将移动一个像素，我想这就是本文中非跨步卷积的含义。