深度学习-TF、keras两种padding方式：vaild和sam

前言

在使用Keras的时候会遇到这样的代码x = Conv2D(filters, kernel_size=5, strides=2, padding=‘same’)(x)，与pytorch不同，keras和TensorFlow设置卷积层的过程中可以设置padding参数，vaild和same。“valid”代表只进行有效的卷积，对边界数据不处理。“same”代表保留边界处的卷积结果，通常会导致输出shape与输入shape相同。

分析

那vaild和same有什么区别，两者本质区别就是padding过程中采取的策略不同。

上面是按照1D的形式来进行讲解的，2D的形式原理也相同。

input = layers.Input(shape=(230, 230, 3))
print(input.shape)
>>(?, 230, 230, 3)

x = layers.Conv2D(64, (7, 7),strides=(2, 2),padding='valid',kernel_initializer='he_normal',name='conv1')(x)
print(x.shape,math.ceil((230-7+1)/2))
>>(?, 112, 112, 64) 112

input = layers.Input(shape=(230, 230, 3))
print(input.shape)
>>>>(?, 230, 230, 3)

x = layers.Conv2D(64, (7, 7),strides=(2, 2),padding='same',kernel_initializer='he_normal',name='conv1')(x)
print(x.shape,math.ceil(230/2))
>>(?, 115, 115, 64) 115