吴恩达deeplearning课程学习笔记：1.4 Padding

1.4 Padding

（1）卷积过程中存在的两个问题：

1. 随着网络层数的加深，Feature map变得越来越小；
2. 边缘像素值参与到卷积运算的次数少，边缘信息可能被忽略。例如，对于下面图中的卷积操作（步长为1），输入图像左上角第一个像素值，只会参与1次卷积运算；而第3行第3列的像素值，会参与9次运算。

 （2）两种卷积操作：

1. Valid：指常规的卷积操作，不对输入图像进行Pading，输出的feature map大小根据公式n-f+1（步长为1）计算得到。
2. Same：指卷积后输出的feature map大小与输入一致，需要进行Padding达到该目的。

    Same convolution

假设Padding长度P=1，即在输入图周围补一圈0（Padding值一般补0）。

那么，如果要使输出feature map大小等于输入大小n，则有：

n+2p-f +1= n     ==>

p=(f-1)/2

所以，要实现same convolution，p=(f-1)/2。

（3）卷积核大小一般取奇数

在实际应用过程中，我们看到的卷积核大小一般取的是奇数，如3*3，5*5 等等。主要原因有两点：

1. 当卷积核大小为奇数时，才会有一个中心点，方便运算；
2. 如果要实现same convolution，从上面的推导我们知道p=(f-1)/2。也就是说，当f为奇数时，我们可以进行对称的padding，当f为偶数时，需要进行不对称的padding来达到same convolution的目的。