步长 Stride 是什么？卷积窗口每次移动几格

步长（Stride）是指操作窗口在数据上每次移动的距离，是图像处理和卷积神经网络（CNN）中常用的术语。在对图像进行卷积、池化、裁剪或特征提取等操作时，通常会用一个小窗口在图像上滑动，步长就决定了这个窗口每一步向右（或向下）挪动多少个像素。

在卷积中怎么理解

卷积神经网络中的卷积层，用一个小的卷积核，比如 3×3 的窗口，在输入图像上滑动，每到一个位置，就计算窗口内像素与卷积核的加权和，得到输出特征图上的一个值。如果步长为 1，卷积核每次只移动一个像素，会覆盖图像上的每一个位置，输出的特征图和输入差不多大。如果步长为 2，卷积核每次跳过一个像素，移动两格，输出的特征图在长和宽上都大约缩小为原来的一半，像素数量减少到约四分之一。

输出特征图的大小，可以用一个公式计算：等于输入尺寸减去卷积核尺寸，再加上两倍的填充（在图像边缘补的零的圈数），除以步长，最后再加 1。这个公式在设计网络结构时经常用到。

步长的作用

下采样：增大步长是缩小特征图尺寸、降低分辨率的一种方式。在卷积神经网络中，随着层数加深，通常需要逐步缩小特征图，同时增加通道数，让网络从关注局部细节逐渐过渡到关注整体结构。步长大于 1 的卷积可以代替池化层完成这一任务，ResNet 等很多网络就采用了这种做法。减少计算量：特征图越小，后续层的计算量越少，模型运行得越快。扩大感受野：步长越大，深层网络中每个点对应原始图像的范围扩大得越快。

代价是信息损失：步长太大，窗口会跳过一些位置，可能遗漏细节，尤其是对于需要精细定位的任务。所以步长的设置需要在效率和信息保留之间权衡。

在其他场景中

步长的概念也出现在很多其他地方。处理超大图像时，常把它切成小块分别处理，如果切块的窗口大小是 512 像素、步长是 256 像素，相邻的块之间就会有一半的重叠，避免物体刚好被切断。视觉 Transformer 把图像切成一个个小块（patch），切块的步长通常等于块的大小。在处理时间序列和音频时，滑动窗口的步长同样决定了相邻两帧之间的重叠程度。