动手学深度学习学习笔记tf2.0版（5.2 填充和步幅）

卷积神经网络之填充和步幅 学习笔记

github代码地址：https://github.com/taichuai/d2l_zh_tensorflow2.0

API讲解：Conv2D(filter, padding, kernel_size=None，strides=None, name=None)，具体细节建议查看源码

注意这里是两侧分别填充1行或列，所以在两侧一共填充2行或列
inputs： 在tensorflow中，X 的输入形状, 需要 4 维，batch * h * w * 通道数，其他框架有所不同
filters:卷积核个数
kernel_size: 核尺寸 h * w
padding: ‘SAME’ or ‘VALID’ 'VALID’表示0填充。注意：'SAME’并不是表示输入输出尺寸大小一样，只是考虑边界，如果不够用0填充
strides:步长 可以输入一个元组，也可以是一个整数，整数表示长宽方向步长相同

def comp_conv2d(conv2d, X):
    # 将 X 转换成 [1,h,w, 1],即 batch * h * w * 通道数的个数
    X = tf.reshape(X,(1,) + X.shape + (1,))
#     X = tf.reshape(X,X.shape)
    Y = conv2d(X)
    #input_shape = (samples, rows, cols, channels)
    return tf.reshape(Y,Y.shape[1:3])

# 注意这里是两侧分别填充1行或列，所以在两侧一共填充2行或列
# Conv2D(filter, padding, kernel_size=None，strides=None, name=None)
# filters:卷积核个数
# kernel_size: 核尺寸 h * w
# padding: 'SAME' or 'VALID' 'VALID'表示0填充。注意：'SAME'并不是表示输入输出尺寸大小一样，只是考虑边界，如果不够用0填充
# strides:步长 可以输入一个元组，也可以是一个整数，整数表示长宽方向步长相同
conv2d = tf.keras.layers.Conv2D(1, kernel_size=3, padding='same',strides=(2,2))
X = tf.random.uniform(shape=(8,8))

# 注意函数中 X 的输入形状, 需要 4 维，batch * h * w * 通道数
comp_conv2d(conv2d,X).shape

conv2d = tf.keras.layers.Conv2D(1, kernel_size=3, padding='same',strides=2)
comp_conv2d(conv2d, X).shape

接下来是一个稍微复杂点儿的例子。

conv2d = tf.keras.layers.Conv2D(1, kernel_size=(3,5), padding='valid', strides=(3,4))
comp_conv2d(conv2d, X).shape

关于padding，再补充一点，参考自：https://oldpan.me/archives/tf-keras-padding-vaild-same

tensorflow中有两种padding方式：vaild和same,两种方式有所区别

有时候会遇到这样的代码x = Conv2D(filters, kernel_size=5, strides=2, padding='same')(x)，与pytorch不同，tensorflow和TensorFlow设置卷积层的过程中可以设置padding参数，vaild和same。“valid”代表只进行有效的卷积，对边界数据不处理。“same”代表保留边界处的卷积结果，通常会导致输出shape与输入shape相同。

那vaild和same有什么区别，两者本质区别就是padding过程中采取的策略不同。