卷积操作中的same padding与valid padding

  最近在研究卷积神经网络，很多卷积操作里头都会有padding这个选项，以keras中的Conv2D为例，padding操作有valid，same,casual等，我只讨论same和valid这两种模式，casual以后遇到再说。
假设模型的输入维度为n，kernel size为k，步长为s，输出维度为m。

same padding

  当strides=1时，利用same padding操作，模型的输入层和输出层的维度是一致的，我觉得这也是之所以叫"same"这个名字的原因，具体的输出维度如下：
$$m=\lceil \frac{n}{s}\rceil$$
测试代码如下：

import keras
from keras.layers import Conv2D,Input
a=Input(shape=(60,60,1))
conv_samepadding=Conv2D(1,(3,3),strides=(7,7),padding='same')
conv_validpadding=Conv2D(1,(3,3),strides=(7,7),padding='valid')
samepadding_a=conv_samepadding(a)
validpadding_a=conv_validpadding(a)
print(conv_samepadding.output_shape)
print(conv_validpadding.output_shape)

valid padding

  valid padding没有填充操作，输出维度的计算公式如下：
$$m=\lfloor \frac{n-k}{s}\rfloor +1$$
参考资料¹

---

1. https://stackoverflow.com/questions/37674306/what-is-the-difference-between-same-and-valid-padding-in-tf-nn-max-pool-of-t# ↩︎