padding 有时候容易迷糊，这里汇总一下
卷积中的 padding
当取 SAME 时，原则上保持输入和输出尺寸相同，但这只是在 步长为1时 如此，
总结来说，
n 表示 输入尺寸
f 表示 卷积核尺寸
s 表示 步长
p 表示 padding 的尺寸
out 表示 输出尺寸
p = (f - 1) / 2
out = (n + 2p - f + 1) / s 向上取整
也可以这么 out = (n + 2p - f) / s + 1 向下取整
变换一下，out = (n + 2p - f) / s + 1 = (n + f -1 - f) / s + 1 = (n - 1) / s + 1 向下取整，不好记
这么变换，out = (n + 2p - f + 1) / s = (n + f - 1 - f + 1) / s = n / s 向上取整
当取 VALID 时
VALID 原则就一条，不填充，就是正常滑动，滑完是多少就是多少，
公式就简单了 out = (n - f + 1) / s 向上取整
池化中的 padding
当取 SAME 时，也会填充，但不是保持尺寸不变，而是当 池化野 滑到边界时，如果边界剩余尺寸小于池化野，则填充至一样大，否则不填充
当取 VALID 时，不填充
公式好像和 卷积 一样
另外，
卷积核尺寸最好是奇数，更容易找到卷积锚点；
池化的步长最好大于1，这样才能起到降维作用；
示例
x = tf.Variable(np.random.randint(1, 3, size=(1, 5, 5, 3)), dtype=tf.float32) ##### 卷积 w = tf.Variable(np.random.uniform(0, 1, size=(3, 3, 3, 4)), dtype=tf.float32) w2 = tf.Variable(np.random.uniform(0, 1, size=(2, 2, 3, 4)), dtype=tf.float32) # size 为偶数 w3 = tf.Variable(np.random.uniform(0, 1, size=(4, 4, 3, 4)), dtype=tf.float32) # size 为偶数 ### padding = SAME # stride = 1 y1 = tf.nn.conv2d(x, w, strides=(1, 1, 1, 1), padding='SAME') # p=(3-1)/2=1 (5+2*1-3+1)/1=5 print(y1.shape) # (1, 5, 5, 4) y12 = tf.nn.conv2d(x, w2, strides=(1, 1, 1, 1), padding='SAME') # p=(2-1)/2=0.5 不向上取整 (5+2*0.5-2+1)/1=5 print(y12.shape) # (1, 5, 5, 4) # strider != 1 y2 = tf.nn.conv2d(x, w, strides=(1, 2, 2, 1), padding='SAME') # p同上 (5+2*1-3+1)/2=2.5 向上取整3 print(y2.shape) # (1, 3, 3, 4) y22 = tf.nn.conv2d(x, w2, strides=(1, 2, 2, 1), padding='SAME') # p同上 (5+2*0.5-2+1)/2=2.5 向上取整3 print(y22.shape) # (1, 3, 3, 4) ### padding = VALID # stride = 1 y3 = tf.nn.conv2d(x, w, strides=(1, 1, 1, 1), padding='VALID') # (5-3+1)/1=3 print(y3.shape) # (1, 3, 3, 4) y32 = tf.nn.conv2d(x, w2, strides=(1, 1, 1, 1), padding='VALID') # (5-2+1)/1=4 print(y32.shape) # (1, 4, 4, 4) # strider != 1 y4 = tf.nn.conv2d(x, w, strides=(1, 2, 2, 1), padding='VALID') # (5-3+1)/2=1.5 向上取整2 print(y4.shape) # (1, 2, 2, 4) y42 = tf.nn.conv2d(x, w2, strides=(1, 2, 2, 1), padding='VALID') # (5-2+1)/2=2 此时有列信息被忽略了 print(y42.shape) # (1, 2, 2, 4) ##### 池化 w = [1, 3, 3, 1] ### padding = SAME # stride = 1 y5 = tf.nn.max_pool(x, w, strides=(1, 1, 1, 1), padding='SAME') # 5/1=5 print(y5.shape) # (1, 5, 5, 3) # strider != 1 y6 = tf.nn.max_pool(x, w, strides=(1, 2, 2, 1), padding='SAME') # 5/2=2.5 向上取整3 print(y6.shape) # (1, 3, 3, 3) ### padding = VALID # stride = 1 y7 = tf.nn.max_pool(x, w, strides=(1, 1, 1, 1), padding='VALID') # (5-3+1)/1=3 print(y7.shape) # (1, 3, 3, 3) # strider != 1 y8 = tf.nn.max_pool(x, w, strides=(1, 2, 2, 1), padding='VALID') # (5-3+1)/2=1.5 向上取整2 print(y8.shape) # (1, 2, 2, 3)
参考资料：
https://www.cnblogs.com/CK85/p/10287142.html 最简单直接
https://zhuanlan.zhihu.com/p/77471866
https://cloud.tencent.com/developer/article/1080155
https://zhuanlan.zhihu.com/p/74159232
https://zhuanlan.zhihu.com/p/46744988