padding在卷积神经网络CNN中用于增加图片边缘像素，以保持特征映射大小，防止信息丢失。其意义包括保留原图信息、保持与原图大小一致以及确保深层网络输入的信息量。公式计算显示，当filter为奇数时，padding=(f-1)/2可使输出与输入尺寸相同。padding类型有SAME和VALID，SAME会填充以保持尺寸不变，而VALID不填充。
padding是增加图片各个边的pixels的数量，具体增加的数量由filter的尺寸和stride大小共同决定。padding的上限是维持feature map大小和原图大小一致。目的是保持feature map不要太小。
padding的意义：
1）为了不丢弃原图信息
2）为了保持feature map大小与原图一致
3）为了让更深层的layer的input依旧保持足够大的信息量
4）为了实现上述目的，且不做多余的事情，padding出来的pixel的值均为0，不存在噪音问题。
相关计算方法：
计算feature map 长与宽的公式 =
n 原图片（input）长与宽，p为padding，f是filter的长与宽， s是stride值；
补充资料：
convolution op有两种type：有padding=SAME,无padding=VALID。
1）“valid”表示不适用填充（只使用有效窗口位置）；
2）“same”表示填充后输出的宽度和高度与输入相同。
padding参数的默认值为“valid”。
两种type和成新图长宽计算方法：
1）如何计算无padding新和成图的
最低0.47元/天 解锁文章
144
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
