深度学习之卷积神经网络中same padding 和 valid padding

### 卷积神经网络中的Valid与Same Padding #### Valid Padding 在有效填充（`VALID`）的情况下，输入特征图不会添加任何填充。这意味着滤波器仅应用于图像的有效部分，即完全覆盖的部分。因此，输出特征图通常会比输入特征图小。这种设置适用于希望减少空间维度的情况。 对于给定的输入尺寸 \( W \times W \)，滤波器大小 \( F \times F \)，步长 \( S \)，以及无填充时： \[ N = \left\lfloor{\frac{W - F}{S} + 1}\right\rfloor \] 其中 \( N \) 是输出的高度或宽度[^4]。 例如，在 `strides=2*2` 的情况下应用 `VALID` 填充，如果输入形状为 `[N, 3, 3, C]` 并且使用了一个 \( 2\times2 \) 大小的过滤器，则计算得到的输出将是 `[N, 1, 1, C']` 形状，这里 \( C' \) 表示通道数量可能因卷积操作而变化[^2]。 ```python import tensorflow as tf input_tensor_valid = tf.constant( [[[[1], [2]], [[3], [4]]]], dtype=tf.float32) output_valid = tf.nn.conv2d(input=input_tensor_valid, filters=tf.ones([2, 2, 1, 1]), strides=[1, 2, 2, 1], padding='VALID') print(output_valid.shape) ``` #### Same Padding 相比之下，相同填充（`SAME`）会在必要时向输入边缘添加额外的零值像素，从而确保经过卷积层处理后的输出具有与原始输入相同的尺寸。这对于保持空间分辨率特别有用。 同样地，考虑上述参数配置下的情况，但在 `SAME` 模式下执行卷积操作将会使输出保留接近于原输入的尺寸。 ```python input_tensor_same = tf.constant( [[[[1], [2], [3]], [[4], [5], [6]], [[7], [8], [9]]]], dtype=tf.float32) output_same = tf.nn.conv2d(input=input_tensor_same, filters=tf.ones([2, 2, 1, 1]), strides=[1, 2, 2, 1], padding='SAME') print(output_same.shape) ```