Padding\Valid convolutions\Same convolutions

整理并翻译自吴恩达深度学习系列视频：卷积神经网络1.4。

Padding

在对一张6X6图片进行卷积后，它变成了一张4X4的图片。直接卷积有以下2个缺点：

• Shrinking the output(缩小输出图像大小)
• Throw away info from edge(相对于中间经过多次卷积计算的部分，图像边缘信息被抛弃了)

为了解决这一点问题，我们可以在图像的边缘填充(padding)0，来使得边缘部分也能够被经过多次卷积计算。

假设原图是$n\times n$，filter是$f\times f$，那么卷积后的图像大小是$(n-f+1)\times (n-f+1)$。

假设填充$p=1$，填充之后再卷积得到的图像大小是$(n+2p-f+1)\times (n+2p-f+1)$。

如果要维持原图大小，令$(n+2p-f+1)=n$，得$p=\frac{f-1}{2}$

Valid convolutions\Same convolutions

Valid convolution，即不填充，卷积后的图像大小是$(n-f+1)\times (n-f+1)$。

Same convolution，即填充使其保持原图大小，选择$p=\frac{f-1}{2}$。

通过上式你也能够理解，为什么通过选$f$是奇数,如果$f$是偶数，也能达到我们的目的，但填充使得图像不对称了，左边填的比右边多或者反过来。选择$f$奇为数也可以使得filter有明确的中心点。

当然这些理由并没有那么的有说服力。

3X3、7X7、9X9，都是论文里常见的filter大小。