keras.layers.Conv2D中的padding解析

最新推荐文章于 2025-04-14 11:07:26 发布

J_M1

最新推荐文章于 2025-04-14 11:07:26 发布

阅读量2.9k

点赞数 1

分类专栏： tensorflow学习

本文链接：https://blog.csdn.net/qq_40527427/article/details/105587409

版权

tensorflow学习专栏收录该内容

2 篇文章

订阅专栏

本文探讨了深度学习中两种零填充策略：same与valid。通过实例解析，阐述了如何计算并应用这两种填充方式，确保卷积操作的平滑进行。使用Keras框架进行了代码验证，展示了不同填充方式对卷积层输出的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

same方式：

求最小整数2p，使得(img_size + 2p - kernel_size) / stride为正整数，然后以右、下优先的方式进行零填充。

例：img_size=4, kernel_size=3, stride=2, (4 + 2p - 3) / 2为整数，解得2p=1，则图片的右下角填充1，左上角无填充

valid方式：

从左向右，右边多余的会被舍弃

验证代码：

from keras.models import Sequential, Model
from keras.layers import Conv2D, ZeroPadding2D
import numpy as np
from keras import backend as K

input_size = 5

model = Sequential()
model.add(ZeroPadding2D(1, input_shape=(input_size, input_size, 1)))
model.add(Conv2D(1, (3, 3), padding='valid', strides=2, activation='relu'))

model.summary()

weights = [np.array([[[[1.]], [[1.]], [[1.]]],
                     [[[1.]], [[1.]], [[1.]]],
                     [[[1.]], [[1.]], [[1.]]]]), 
           np.array([0.])]
model.layers[1].set_weights(weights)

x = np.arange(input_size * input_size)
x = x.reshape((1, input_size, input_size, 1))

iterate = Model([model.input], [model.layers[1].output])

y = iterate(x)

print(y)