ResNet tensorflow中的fixed padding

ResNet中的conv layer，使用的不是普通的tf.layers.conv2d()，而是对same padding进行了一定处理。

def conv_layer(bottom, filters, kernel_size, name=None, strides=1, padding='same', 
					use_bias=False, kernel_initializer= tf.contrib.layers.variance_scaling_initializer()):
    if strides is not 1:
        padding = 'valid'
        pad_total = kernel_size - 1
        pad_begin = pad_total // 2
        pad_end = pad_total - pad_begin
        bottom = tf.pad(bottom, [[0, 0], [pad_begin, pad_end], [pad_begin, pad_end], [0, 0]])

    bias_initializer = tf.constant_initializer(value=0.0)

    top = tf.layers.conv2d(bottom,
                           filters=filters,
                           kernel_size=kernel_size,
                           strides=strides,
                           padding=padding,
                           kernel_initializer=kernel_initializer,
                           bias_initializer=bias_initializer,
                           use_bias=use_bias,
                           name=name)
    return top

在上面的conv操作中，对步长不为1的情况，对tensorflow的padding进行了修正。
首先说一下为什么要修正，因为在tf.layers.conv2d(padding=‘SAME’)下，tf对input边缘pad多少是根据input的size决定的，举个例子
input=225, kernel=7, stride=2 —> padding = [3, 3]
input=224, kernel=7, stride=2 —> padding = [2, 3]
而我们希望的场景是，pad的多少仅仅根据kernel size来决定，比如说，kernel size是7，那么padding就是[3,3]不要改变了，多pad出来的，没用到也就不要了。所以在上述fixed padding的代码中，直接对input的左右填充kernel_size//2 和 kernel_size-1-kernel_size//2 .在这个情况下，再使用tf中的’VALID’ padding模式，而我们知道，’VALID’ padding模式其实就是不padding，多的就丢。
所以这么一来，padding大小仅仅取决于kernel的大小了。
这有什么好处呢 ？吴育昕(ppwwyyxx)在tensorflow的github下详细解释了这方面问题，链接 Request a new padding mode