之前深度学习中一般只在卷积中涉及到padding:
tf.nn.conv2d(x,W,strides=[1,1,1,1],padding="SAME")
现在在Tensorflow学习过程中，发现在池化过程中，大量应用到SAME填充：
tf.nn.max_pool(x,[1,2,2,1],strides=[1,2,2,1],padding="SAME")
现在我们来看看池化过程中padding到底是如何工作的？
卷积填充了解：http://www.ai-start.com/dl2017/html/lesson4-week1.html
参考：https://blog.csdn.net/sky_asher/article/details/79704262
一：池化层SAME Padding
（一）案例一：可被池化层filter整除
a = tf.get_variable('w', shape=(1,4,4,1), initializer=tf.truncated_normal_initializer(seed=1)) b = tf.nn.max_pool(a, ksize=[1,2,2,1], strides=[1,2,2,1], padding='VALID') c = tf.nn.max_pool(a, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME') with tf.Session() as sess: sess.run(tf.global_variables_initializer()) out_b = sess.run(b) out_c = sess.run(c) print(out_b.shape, out_c.shape)
在这里刚好是4 % 2 = 0，也就是池化的模板的长度能够待处理的数据长度整除，所以两者的结果是相同的。
（二）案例二：不可被池化层filter整除
a = tf.get_variable('w', shape=(1,3,3,1), initializer=tf.truncated_normal_initializer(seed=1)) b = tf.nn.max_pool(a, ksize=[1,2,2,1], strides=[1,2,2,1], padding='VALID') c = tf.nn.max_pool(a, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME') with tf.Session() as sess: sess.run(tf.global_variables_initializer()) out_b = sess.run(b) out_c = sess.run(c) print(out_b.shape, out_c.shape)
这里就不一样了，因为模板在滑动时，可能存在覆盖不完全的地方，就比如用2*2的模板，对于VALID模式和SAME模式就不一样，SAME模式会补全橙色部分，而VALID模式就不会补全了
VALID不进行填充：会有数据无法遍历
SAME会向左和下填充0（这里不同与卷积的处理）：但是都会使得原矩阵中的数据被遍历到
二：实例说明
same会根据具体的步长和核大小去尽量遍历特征图，因为可以填充这个周边的范围。
（一）代码演示
x = tf.constant([[1., 2., 3., 5.], [4., 5., 6., 6.], [1 , 2 , 3 , 4 ], [6 , 5 , 8 , 9 ]]) x = tf.reshape(x, [1, 4, 4, 1]) valid_pad = tf.nn.max_pool(x, [1, 3, 3, 1], [1, 2, 2, 1], padding='VALID') same_pad = tf.nn.max_pool(x, [1, 3, 3, 1], [1, 2, 2, 1], padding='SAME') with tf.Session() as sess: print(sess.run(valid_pad)) print("----------") print(sess.run(same_pad))
（二）Valid填充
（三）Same填充
