padding

当Padding参数为valid的时候，卷积核移动到边缘的时候，不采用填充算法，直接终止，那么输出结果的宽高为input_width - filter_width+1,input_height-filter_height+1（步长为1 ）

 

步长为2，输出的宽高(padding=valid时)，计算公式为

(input_width - filter_width + 1)/strides[2],(input_height - filter_height + 1)/strides[2]

 

same不变

 

 

 1x1的filter卷积是有意义的，1是减少计算，2是降低维度

padding的意义在于不去处理图像size的问题，如果网络中处理的Image的size总是变来变去，那么网络在设计和处理时会很麻烦，所以一般会选择SAME

很详细

卷积向下取整，池化向上取整？

输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为：

（200-5+2*1）/2+1 为99.5，取99

（99-3）/1+1 为97

（97-3+2*1）/1+1 为97

研究过网络的话看到stride为1的时候，当kernel为 3 padding为1或者kernel为5 padding为2 一看就是卷积前后尺寸不变（卷积向下取整，池化向上取整）。即F=2P+1的情景都使用