卷积和池化都有如下几个参数：原始数据维度input_shape，卷积核大小kernel_size / 池化尺寸大小 pool_size，步长strides，填充padding=[‘same’, ‘valid’]。
padding为valid
如果padding为valid，那么不进行填充。在这种情况下，无论是卷积还是池化（池化将下面的kernel_size改为pool_size即可）的特征图的维度都是：
i
n
p
u
t
_
s
h
a
p
e
−
k
e
r
n
e
l
_
s
i
z
e
s
t
r
i
d
e
s
+
1
\frac{input\_shape - kernel\_size}{strides} + 1
stridesinput_shape−kernel_size+1
其中除法是向下取整的。
padding为same
如果padding为same，那么自然地卷积的输出维度就和输入维度相同了。但是对于池化而言并不一样。Tensorflow官方文档是如下图所写（实验证明它写的padding为valid和same的公式都是错的）。
pooling中的padding为“same”的作用如下，即进行填充使得如果步长为1时输出维度等于输入维度，那么这时可以计算一下填充了多少，然后用最下面的公式计算：
padding为设置的任意值
如果进行了填充，并且填充的大小为p，那么输出维度为：
i
n
p
u
t
_
s
h
a
p
e
−
k
e
r
n
e
l
_
s
i
z
e
+
2
p
s
t
r
i
d
e
s
+
1
\frac{input\_shape - kernel\_size + 2p}{strides} + 1
stridesinput_shape−kernel_size+2p+1
扫一扫
1245
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
