转载出处:http://blog.csdn.net/accumulate_zhang/article/details/78359856
原文链接:http://blog.csdn.net/accumulate_zhang/article/details/78359856
1.podding='SAME'时,全0填充。
![](https://i-blog.csdnimg.cn/blog_migrate/fc5b25ccef3c93aef62aeef9e4184e6c.png)
2.padding=“VALID”,不使用全0填充
![](https://i-blog.csdnimg.cn/blog_migrate/8ab6e9075eb3348ac1d14be91d8d44d2.png)
原本书上的内容,一开始看的时候没注意,没仔细看,只是单纯的理解为padding为SAME就补0;为VALID就不补0;
后来看代码的时候感觉不对劲,后来找了一些资料,才醒悟过来
根据tensorflow中的conv2d函数,我们先定义几个基本符号
1、输入矩阵 W×W,这里只考虑输入宽高相等的情况,如果不相等,推导方法一样,不多解释。
2、filter矩阵 F×F,卷积核
3、stride值 S,步长
4、输出宽高为 new_height、new_width
当然还有其他的一些具体的参数,这里就不再说明了。
我们知道,padding的方式在tensorflow里分两种,一种是VALID,一种是SAME,下面分别介绍这两种方式的实际操作方法。
1、如果padding = ‘VALID’
new_height = new_width = (W – F + 1) / S (结果向上取整)
也就是说,conv2d的VALID方式不会在原有输入的基础上添加新的像素(假定我们的输入是图片数据,因为只有图片才有像素),输出矩阵的大小直接按照公式计算即可。
2、如果padding = ‘SAME’
new_height = new_width = W / S (结果向上取整)
在高度上需要pad的像素数为
pad_needed_height = (new_height – 1) × S + F - W
根据上式,输入矩阵上方添加的像素数为
pad_top = pad_needed_height / 2 (结果取整)
下方添加的像素数为
pad_down = pad_needed_height - pad_top
以此类推,在宽度上需要pad的像素数和左右分别添加的像素数为
pad_needed_width = (new_width – 1) × S + F - W
pad_left = pad_needed_width / 2 (结果取整)
pad_right = pad_needed_width – pad_left
按照上面的计算方法,对于下面这几行,用2*2的filter去池化,全0填充,移动步长是2,对28*28*32的矩阵。用常规的思路,发现又要补0,又要池化,怎么会得到输出是14*14*32的结果呢?
![](https://i-blog.csdnimg.cn/blog_migrate/414f6273025a883f5d8ac998e3930566.png)
其实这种思路是错的,首先应该去看参数的值是SMAE还是VALID,然后根据上面的公式直接去计算补0 的具体操作以及得到的输出矩阵的大小。
new_height = new_width = W / S (结果向上取整)28/2=14
在高度上需要pad的像素数为
pad_needed_height = (new_height – 1) × S + F - W(14-1)*2+2-28等于0,发现根本不需要补0的
根据上式,输入矩阵上方添加的像素数为
pad_top = pad_needed_height / 2 (结果取整)
下方添加的像素数为
pad_down = pad_needed_height - pad_top