卷積層輸出大小尺寸計算及padding爲 “SAME” 和 “VALID”的計算

---

簡介

卷積之後的尺寸大小計算公式爲：

• 輸入圖片大小 W×W
• Filter大小 F×F
• 步長strides  S
• padding的像素數 P
• 輸出大小爲NxN

我們可以得出

                                                                                                                         （公式1）

長寬不等時，卷積之後的計算公式也是如此，只需分別計算即可。

在實際操作時，我們還會碰到 padding的兩種方式 “SAME” 和 “VALID”，padding = “SAME”時，會在圖像的周圍填 “0”，padding = “VALID”則不需要，即 P=0。一般會選“SAME”，以來減緩圖像變小的速度，二來防止邊界信息丟失（即有些圖像邊界的信息發揮作用較少）。

注意！！！

此時可能會發現，按照這兩中方式，按照上面的公式怎麼不對呀

其實公式是沒有問題的，

1. padding = “VALID”：   P=0
2. padding = “SAME”：   kernel_size=1時，P=0；kernel_size=3時，P=1；kernel_size=5時，P=2，以此類推。

問題可能也就出在上面

tensorflow官網給出了另一種計算方式，也是正確的：

padding = “SAME”時：

                                                   （ 解釋：輸入w / 步長s 之後向上取整）                            （公式2）

padding = “VALID”時：

                                               （也是向上取整）                                                       （公式2）

舉例說明

當

• 輸入是5*5，
• 卷積核是3*3，
• 步長S = 2

padding= “SAME”時：

       根據公式1：

                                            

       根據公式2：

                                           

padding= “VALID”時：

根據公式1：

                                            

 根據公式3：

                                           

編程結果

如下：