填充（Padding）是卷积神经网络（CNN）中一种技术，填充的主要目的是

填充（Padding）是卷积神经网络（CNN）中一种技术，通过在输入特征图的边缘添加像素，以控制输出特征图的空间维度。填充的主要目的是：

1. 控制输出大小：通过填充可以在一定程度上保留输入特征图的边缘信息，从而控制输出特征图的空间维度。
2. 保留边界信息：在没有填充的情况下，卷积操作会导致输出特征图的尺寸逐渐减小，导致边界信息丢失。填充有助于缓解这个问题。
3. 保持输入输出尺寸一致：有时希望卷积后的特征图与输入特征图保持相同的尺寸，填充可以帮助实现这一目的。

填充的类型

1. 有效填充（Valid Padding）：

   • 也称为"不填充"（No Padding）。
   • 卷积操作不会在输入特征图的边缘添加任何额外的像素。
   • 输出特征图的尺寸会随着卷积操作逐渐减小。

2. 相同填充（Same Padding）：

   • 也称为"填充"（Padding）。
   • 在输入特征图的边缘添加适当数量的像素，使得输出特征图的尺寸与输入特征图相同。
   • 填充的大小由卷积核的尺寸和步长决定。

填充大小的计算

假设输入特征图的尺寸为 $H_{\text{in}}\times W_{\text{in}}$，卷积核的大小为 $k_H\times k_W$，步长为 $s_H\times s_W$，输出特征图的尺寸为 $H_{\text{out}}\times W_{\text{out}}$，填充的大小为 $p_H\times p_W$。计算填充大小的一般公式如下：

对于高度方向的填充：
$$p_H=\lfloor \frac{(H_{\text{out}}-1)\times s_H+k_H-H_{\text{in}}}{2}\rfloor$$

对于宽度方向的填充：
$$p_W=\lfloor \frac{(W_{\text{out}}-1)\times s_W+k_W-W_{\text{in}}}{2}\rfloor$$

在实际应用中，常用以下公式简化填充计算：

$$p_H=\lfloor \frac{k_H-1}{2}\rfloor$$

$$p_W=\lfloor \frac{k_W-1}{2}\rfloor$$

例子

假设输入特征图尺寸为 $28\times 28$，卷积核大小为 $3\times 3$，步长为 $1\times 1$，使用相同填充。根据公式计算填充大小：

$$p_H=p_W=\lfloor \frac{3-1}{2}\rfloor =1$$

因此，在输入特征图的四边各添加一列像素，填充后的输入特征图尺寸变为 $30\times 30$，经过卷积操作后，输出特征图的尺寸仍然为 $28\times 28$。