slim.conv2d函數的變量解釋和padding方式中same與vaild的差別

slim.conv2d(inputs, num_outputs, kernel_size, stride=stride,
                      rate=rate, padding='VALID', scope=scope)

slim:tensorflow中讓結構更加緊湊纖細的函數
num_outputs：卷積核的個數，體現在輸出中
stride：步幅
rate：空洞卷積膨脹率，在卷積核的兩兩數值之間加入rate-1個0
padding:卷積的方式，包括SAME（卷積核的中心開始接觸到圖像）,VAILD（卷積核全部接觸到圖像），FULL（卷積核開始接觸到圖像）
${​​​​\mathop{{{same:n}}}\nolimits_{{output}}={ \left\lceil {\frac{{n\mathop{{}}\nolimits_{{input}}}}{{s}}} \right\rceil }}$
${\mathop{{{Vaild:n}}}\nolimits_{{output}}={ \left\lceil {\frac{{n\mathop{{}}\nolimits_{{input}}-f+1}}{{s}}} \right\rceil }}$

FULL

SAME

VAILD

圖片來源

net = slim.conv2d(inputs, num_outputs, 3, stride=1, padding='SAME')
net = subsample(net, factor=stride)

net = conv2d_same(inputs, num_outputs, 3, stride=stride)

• 據說後兩個的結果是一樣的，但是第一個的結果貌似在輸入的維度存在偶數時會有差異