深度学习stride_《动手学深度学习》第十三天---填充和步幅

在阅读代码的时候就看到了padding和stride两个单词，来深度学习课程详细了解一下他们的作用。

填充和步幅是卷积层的两个超参数，通过他们可以改变输出形状。

(一)填充padding

填充是指在输入的四周添加0元素。

比如原输入数组形状是Nh×Nw，卷积核形状是Kh×Kw，那么原输出数组形状就是

(Nh-Kh+1)×(Nw-Kw+1)。如果我们对输入数组进行填充高加Ph，宽加Pw，那么新的输出数组形状就是(Nh-Kh+Ph+1)×(Nw-Kw+Pw+1)。

通常我们为了方便在构造网络时推测每个层的输出形状，会设置Ph=Kh-1，Pw=Kw-1。这样输入输出形状就是一致的。

具体来说，当卷积核Kh是奇数的时候，两边均填充Ph/2；是偶数的时候，Ph就是奇数，那么下侧填充不超过Ph/2的最大值，上侧填充大于Ph/2的最小值。Kw同理。

from mxnet import nd

from mxnet.gluon import nn

# 定义一个函数来计算卷积层。它初始化卷积层权重，并对输入和输出做相应的升维和降维

def comp_conv2d(conv2d, X):

conv2d.initialize()

# (1, 1)代表批量大小和通道数均为1

X = X.reshape((1, 1) + X.shape)

Y = conv2d(X)

return Y.reshape(Y.shape[2:]) # 排除不关心的前两维：批量和通道

# 注意这里是两侧分别填充1行或列，所以在两