keras padding_TensorFlow中CNN的两种padding方式“SAME”和“VALID”

前言

在使用Keras的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，keras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。

分析

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。

“valid”

valid即只对图像中像素点“恰好”与卷积层对齐的部分进行卷积。上图中一维演示中输入宽度为13，卷积宽度为6，每次前进5格，当进行到(12、13)的时候因为每次步伐为5，5>2，所以(12、13)就不进行卷积了，舍弃了最右边的这两个数。

“same”

same则不同，尽可能对原始的输入左右两边进行padding从而使卷积核刚好全部覆盖所有输入，当进行padding后如果输入的宽度为奇数则会在右边再padding一下(如上图15+1=16，右边两个pad，左边一个pad)。

上面是按照1D的形式来进行讲解的，2D的形式原理也相同。