深度学习中padding的作用

在做深度学习的时候，会遇到padding的设置，设置SAME，还是VAILD，那么如何理解padding呢？
首先看英文翻译：

padding:

UK /ˈpæd.ɪŋ/ US /ˈpæd.ɪŋ/
the pieces of material used to protect something or give it shape
衬垫，衬料，填料

从翻译上可以看出，padding是填补的意思，那么一张图片哪里可以（需要）填补呢？肯定是边缘的地方，像素不够的时候需要填补。即padding是在图像的边缘增加几个像素，目的是保持特征图不要太小，添加的个数与卷积核有关。通常经过卷积运算后，得到的图片大小的尺寸会变小的，具体计算公式如下：
$$O=\frac{I-K+2P}{S}+1$$
其中O是卷积后的输出，I是输入图片尺寸，K是卷积核的尺寸，P是填充的像素数，S是步长。这里的P就是咱们所说的填充数。从上式中看出，如果不做填充，而步长为1的情况下，那么输出图像会变小。我们直到卷积操作的过程，如下图：

从图中可以看出，越是边缘的像素点，对输出的结果影响越小（原来是5x5的图片，输出变成了3x3），应为卷积运算在移动的时候到边缘就结束了，而中间部分的像素点被计算了很多次，这就是边缘信息丢失的原因。

那么增加增加padding的主要目的就显而易见了：

padding的目的：

1. 保留边界信息，如果不加padding，边界限速点只被计算一次，而加上后，会被多次计算。
2. 保证经过卷积后的特征图与原来的图尺寸一致，上图的输入图如果是增加了padding，即输入图是3x3，边缘全是通过padding增加的像素，那么输出的图像尺寸就跟原图的尺寸大小一样了。
3. 卷积神经网络增加padding后，会保证输出的图像和输入的图像尺寸保持一致

padding的两个设置：

1. 如果设置成SAME，那么就会使用0全部填充。
2. 如果设置成VALID，无填充，直接计算输出。