卷積網絡padding操作理解

卷積神經網絡padding的理解：

之前對卷積網絡中padding操作一直存在錯誤理解，以爲padding=SAME表明圖像的輸入和輸出尺寸一樣大，但是最近看了一些論文和資料後發現之前的理解錯誤，在strides不等於1的情況下，輸入和輸出尺寸不是一樣大的，受到strides的影響。

下面是tensorflow中源碼的實現，可以看出padding=VALID和padding=SAME在這裏插入代碼片的計算公式：

可以看出，兩種情況下的輸出尺寸計算公式：

• padding =='VALID':

new_h = ceil((h-f+1)/strides)
new_w = ceil(w-f+1)/strides)

• padd =='SAME':

new_h = (h+2p-f)/strides+1
new_w = (w+2p-f)/strides+1 
p = (f-1)/2
<===>
new_h = ceil(h/strides)
new_w = ceil(w/strides)