请说明卷积神经网络中步长（stride）的含义，并阐述它怎样改变卷积层输出的尺寸。

回答思路

1. 【回答框架 1】步长是卷积核在输入特征图上每次滑动的像素距离。步长为1时，卷积核逐像素移动，输出尺寸接近输入尺寸；步长大于1时，卷积核跳跃移动，输出尺寸显著减小。
2. 【回答框架 2】输出尺寸的计算公式为：输出尺寸 = floor((输入尺寸 - 卷积核尺寸) / 步长) + 1。若考虑 padding，则为 floor((输入尺寸 + 2*padding - 卷积核尺寸) / 步长) + 1。步长增大，输出尺寸减小。
3. 【回答框架 3】步长影响感受野和计算量：步长增大，输出特征图变小，后续层的感受野相对增大（每像素对应的原始区域变大），计算量降低；步长减小，输出特征图变大，保留更多空间信息，但计算量增加。
4. 【回答框架 4】实际应用中，步长常用于下采样，替代部分池化操作，例如在生成对抗网络或自编码器中采用 stride=2 的卷积实现特征图尺寸减半，但需注意可能丢失细节信息。
5. 【回答框架 5】调整步长需与 padding 配合，避免输出尺寸非整数或边界信息丢失。通常设计网络时会组合使用步长与 padding 以控制特征图尺寸变化。
6. 【关键点 1】步长定义卷积核每次移动的像素数，直接决定输出特征图的尺寸。
7. 【关键点 2】输出尺寸公式：Output = floor((Input + 2*pad - kernel) / stride) + 1。
8. 【关键点 3】增大步长可下采样，减小计算量，但可能丢失空间细节。
9. 【关键点 4】步长与 padding 需协同设计，避免尺寸不匹配或信息丢失。
10. 【易错点 1】容易混淆步长与卷积核大小对输出尺寸的影响，需注意公式中两者的不同作用。
11. 【易错点 2】忽略 padding 时，输出尺寸可能小于预期，导致边缘信息丢失。
12. 【易错点 3】步长过大会造成输出特征图过小，影响深层网络的信息保留。