tf.nn.conv2d中padding=same规则介绍

最新推荐文章于 2024-06-30 14:36:42 发布

寻水的鱼2019

最新推荐文章于 2024-06-30 14:36:42 发布

阅读量8.7k

点赞数 16

分类专栏：深度学习文章标签：深度学习 tensorflow

本文链接：https://blog.csdn.net/theadore2017/article/details/107232208

版权

本文介绍了在TensorFlow的卷积操作tf.nn.conv2d中，如何使用padding='SAME'进行边缘填充，详细解析了填充规则，并通过实例验证了计算方法。内容包括VALID和SAME两种情况的计算，以及不同填充数量对输出的影响。

摘要由CSDN通过智能技术生成

由于项目需要需要自己实现卷积算法的逻辑，下面介绍padding填充规则，并且可以用最后面的数据进行简单的验证。

padding属性的意义是定义元素边框和元素内容之间的空间。

在tf.nn.conv2d函数中，当变量padding为VALID和SAME，函数具体是怎么计算的呢？其实是有公式的。为了方便演示，先定义几个变量：

输入的尺寸高和宽定义成：in_height，in_width
卷积核的高和宽定义成filter_height、filter_width
输入的尺寸中高和宽定义成output_height、out_width
步长的高宽方向定义成strides_height、strides_width.

一 VALID情况：边缘不填充

输入宽和高的公式分别为：
output_width=(in_width-filter_width+1)/strides_width #(结果向上取整)
output_height=(in_height-filter_height+1)/strides_height #(结果向上取整)

二 SAME情况：边缘填充

# 输出的宽和高将与卷积核没关系，具体公式如下：
output_width=in_width/strides_width #(结果向上取整)

output_height=in_height/strides_height #(结果向上取整)

# 这里有一个很重要的知识点——补零的规则，见如下公式：
pad_height=ma