做卷积之前图像进行padding操作的原因是什么？因为过滤器大小决定了padding的程度

参考文章：

1. 吴恩达-深度学习-卷积神经网络-Padding 笔记

当你使用一个3×3的过滤器对6×6的图像进行卷积操作时，最终将生成一个4×4的输出矩阵。这一结果源于该3×3的过滤器在6×6图像中仅能占据4×4种不同的位置。

从数学角度解释，若原始图像尺寸为n×n，所采用的过滤器尺寸为f×f，则卷积后的输出维度为**(n-f+1) × (n-f+1)**。
在本例中，计算得出6-3+1=4，因此最终得到的是一个4×4的输出。

这种处理方式存在两个主要问题：

首先，每次执行卷积操作时，图像尺寸会逐渐减小，例如从6×6缩小至4×4。如果反复进行此类操作，图像可能会缩小至仅剩1×1大小。这显然不利于在识别边缘或其他特征时保持图像完整性，因此这是第一个缺陷。在构建深度神经网络的过程中可以发现，为何我们不希望每一步操作都导致图像尺寸缩减。例如，在拥有100层结构的深层网络中，若每一层都使图像缩小，则经过多层处理后将导致最终输出变得极为微小。

其次，在关注角落或边缘像素