Update padding-and-strides.md

chapter_convolutional-neural-networks/padding-and-strides.md

@@ -2,7 +2,7 @@
 
 在上一节的例子里，我们使用高宽为3的输入和高宽为2的卷积核得到高宽为2的输出。一般来说，假设输入形状是$n_h\times n_w$，卷积核形状是$k_h\times k_w$，那么输出形状将会是
 
-$$(n_h-k_h+1) \times (n_h-k_w+1).$$
+$$(n_h-k_h+1) \times (n_w-k_w+1).$$
 
 所以卷积层的输出形状由输入形状和卷积核形状决定。这一节我们将介绍卷积层的两个超参数，填充和步幅，它们可以在给定形状的输入和卷积核下来改变输出形状。