Tensorflow卷积中Padding的两种方式

Tensorflow卷积中Padding的两种方式

---

两种Padding

• VALID：若不够滑动，则将右下的剩余部分全部舍弃，从原矩阵左上角开始卷积。

$$H^{\prime }=\lceil \frac{H-k+1}{d}\rceil$$

• SAME：如果$H/d$除不尽，会均匀地在左上、右下补0，令总长$L$满足$L-k+1=dH$，若补不够，则往右下补。

$$H^{\prime }=\lceil \frac{H}{d}\rceil$$

$H$表示卷积前尺寸，$H^{\prime }$表示卷积后尺寸，$k$为卷积核尺寸，$d$为步长，$\lceil x\rceil$表示向上取整。

在 Tensorflow 的 nn_ops.py 中有关于卷积运算输出尺寸的定义。

If padding == "SAME":
  output_spatial_shape[i] = ceil(input_spatial_shape[i] / strides[i])
If padding == "VALID":
  output_spatial_shape[i] =
    ceil((input_spatial_shape[i] -
          (spatial_filter_shape[i]-1) * dilation_rate[i])
         / strides[i]).

---

举例

例一

  考虑大小为$(N,3,3,C)$的输入，忽略 $batchsize$ 和 $channel$，即考虑 $(3,3)$ 大小的矩阵。现在用 $(3,3)$ 大小的卷积核（方便起见，卷积核参数均为1）做步长 $(1,1)$ 的卷积。padding=VALID 时，直接从矩阵左上角开始滑动，刚好 $(3,3)$ 覆盖到了矩阵右下角，卷积结束，padding=SAME 时，先在周围补零，需要补零至长度$L$，使$L-k+1=dH$，故此处应补至5，即左上和右下各补一圈即可。最后再从补零后的矩阵的左上角开始滑动，直到右下角。

例二

  考虑大小为$(N,3,3,C)$的输入，忽略 $batchsize$ 和 $channel$，即考虑 $(3,3)$ 大小的矩阵。现在用 $(2,2)$ 大小的卷积核（方便起见，卷积核参数均为1）做步长 $(2,2)$ 的卷积。padding=VALID 时，直接从矩阵左上角开始滑动，$(2,2)$ 没有到达矩阵右下角，卷积就结束了，剩余的将直接舍弃掉。padding=SAME 时，先在周围补零，这里需要补长至4，优先补右下角，故在右下补一圈0。最后再从补零后的矩阵的左上角开始滑动，直到右下角。

---

参考

Tensorflow中padding的两种类型SAME和VALID
Tensorflow卷积与反卷积（目前看到的最详细的解释）
TensorFlow中CNN的两种padding方式“SAME”和“VALID”
tf.nn.conv2d_transpose
Tensorflow nn_ops.py