卷积神经网络2-padding

什么是padding？

             padding就是填充、覆盖的意思，在这里就是在图像矩阵的周围进行边界填充。

padding大小的选择？

              padding大小的选择是由我们的需求决定的，假如我们用一个3x3的矩阵卷积一个7x7的矩阵，那么我们会得到一个4x4的矩阵，也就是由7x7变成的4x4的矩阵，这可能不是我们要的效果，因为我们需要卷积完以后也是一个7x7的矩阵，那么怎么办呢？假如我们在7x7的基础上填充一圈变成9x9的矩阵，你可以把元素置为0，这样再由3x3的矩阵卷积，就是7x7的矩阵了。

             这里我们通常有这样简单的计算公式，原始矩阵nxn由fxf的矩阵卷积，那么得到的新矩阵就是（n-f+1）x（n-f+1）的矩阵，

那么我们想要得到一个与原始图像大小一样的矩阵呢？

            也就是我们需要进行填充p，有这么一个式子成立，n+2p-f+1 = n。通过解的p=（f-1）/ 2。从而计算出padding的大小。

过滤器的选择？

             我们通常选择3x3的过滤器，但是如果你阅读大量文献，你也会发现也有许多5x5、7x7的过滤器。不难发现，这里都是奇数类型的过滤器。如果你阅读许多相关文献，你也会发现绝大多数都选择的是奇数过滤器，这也符合计算机视觉的惯例。之所以选择奇数，一方面有便于确定过滤器当前所在的位置（只有一个中心点），另外也不止是这个原因。当然，也可以选择偶数过滤器，可能也会有很不错的效果。