Tensorflow中conv2d的两种padding方式（SAME与VALID）选择以及与Pytorch中对比

说明

自己的学习总结，参考了其他一些博客并加上了自己的一些理解，所以有部分直接复制的内容变量表示会不同（侵删），如有谬误，欢迎指正

基础知识

变量表示

输入图片的宽和高：i_w 和 i_h
输出特征图的宽和高：o_w 和 o_h
过滤器的宽和高：f_w 和 f_h
宽和高方向的步长：s_w 和 s_h
宽和高方向总的补零个数：pad_w 和 pad_h
顶部和底部的补零个数：pad_top 和 pad_bottom
左部和右部的补零个数：pad_left 和 pad_right

padding参数的作用是决定在进行卷积或池化操作时，是否对输入的图像矩阵边缘补0。

计算公式

正卷积

在正卷积时，一般我们希望卷积输入形状为输出形状的几倍，例如输入 256_256，输出 128_128，所以 o_w = i_w / s_w，又有 o_w = (i_w - f_w + pad_w) / s_w + 1， 所以可以得出 pad_w = f_w - s_w，pad_h 类推。

反卷积

同理，在反卷积时，我们希望卷积输出形状为输入形状的几倍，例如输入 8_8，输出 256_256，所以 o_w = i_w * s_w，又有 o_w = i_w * s_w + f_w - s_w - pad_w， 所以可以得出 pad_w = f_w - s_w 不变，pad_h 类推。

SAME和VALID解释

VALID：边缘不填充

VALID方式就是这个单词的意思，也就是不进行填充，对于多出来的数据，直接丢掉

向上取整是为了1/strides_width一定是取1，这里的“1”是因为filter即使一步不动，原本也会有一步的输出

输入宽和高的公式分别为：
output_width=(in_width-filter_width+1)/strides_width #(结果向上取整)
output_height=(in_height-filter_height+1)/strides_height #(结果向上取整)

等价于：
output_width=(<