tensorflow中卷积参数same和valid运算之后的维度计算公式

这里单独把计算卷积之后的维度的公式拿出来，方便查看 
1.卷积后尺寸计算 （理论上）
out_height=ceil( (in_height+2pad-filter_height)/strides[1]+1 ）
out_width=ceil( (in_width+2pad-filter_width)/strides[2] +1 ）
2.tensorflow中对卷积后尺寸的计算进行了简化调整，基于卷积参数same和valid运算之后的维度计算，分别如下：
(1)same 
out_height=ceil(float(in_height))/float(strides[1]) 
out_width=ceil(float(in_width))/float(strides[2]) 
(2)valid 
out_height=ceil(float(in_height-filter_height+1))/float(strides[1]) 
out_width=ceil(float(in_width-filter_width+1))/float(strides[2]) 
(3)参数 
padding: SAME和VALID两种形式 
filter: [5,5,1,32]表示5*5的卷积核，1个channel，32个卷积核。 
strides: [1,4,4,1]表示横向和竖向的步长都为4 
3.tensorflow里面的tf.pad函数 
虽然在卷积过程中有same选项可选，但是tensorflow里面还有一个可以用于填充的函数tf.pad()，具体用法如下：

tf.pad(tensor, paddings,mode='CONSTANT',name=None)

padings : 是一个张量，代表每一维填充多少行/列 
mode : “CONSTANT” ,”REFLECT”,”SYMMETRIC” 
“CONSTANT” 填充0, “REFLECT”是映射填充，上下（1维）填充顺序和paddings是相反的，左右（零维）顺序补齐, “SYMMETRIC”是对称填充，上下（1维）填充顺序是和paddings相同的，左右（零维）对称补齐 
4.在这里补充一下,关于tensorflow中的max_pool()中的padding的含义,之前一直不能理解,现在理解了 
(1)先给出代码

import tensorflow as tf
import numpy as np 

x = tf.placeholder(tf.float32, shape=(1, 500, 500, 3))
#print(type(image))
y1 = tf.nn.max_pool(x, [1, 3, 3, 1], [1, 3, 3, 1], padding = 'VALID')
y2 = tf.nn.max_pool(x, [1, 3, 3, 1], [1, 3, 3, 1], padding = 'SAME')

with tf.Session() as sess: 
    a =  np.full((1, 500, 500, 3), 2)
    sess.run(tf.global_variables_initializer())
    b = sess.run(y1, feed_dict={x: a})
    c = sess.run(y2, feed_dict={x: a})
    print(b.shape)  # Will succeed.  
    print(c.shape)  # Will succeed.  

(2)结果

(1, 166, 166, 3) #valid
(1, 167, 167, 3) #same

从tensorflow 运行结果可以看出: 
对于padding=’VALID’, 166 = math.ceil((500-3+1)/3) 
对于padding=’SAME’, 167 =math.ceil( 500/3)