TensorFlow中padding的 'SAME' 和 'VALID' 参数

VALID

conv2d中

VALID

参数不会在输入上添加新的像素，输出图片的宽度的计算公式为

output_width = [(input_width - kernel_size + 1) / stride]

其中

[ ]

表示结果向上取整，输出图像的宽度计算类似

SAME

conv2d中

SAME

参数会填充0，确保卷积结果覆盖输入图像的所有像素点，计算宽度的公式为

output_width = [input_width / stride]

这时需要填充的列数是：

output_padding_width = (output_width - 1) x stride + kernel_size - input_width

右边需要填充的列数为

output_padding_right = [output_padding_width / 2]

左边需要填充的列数为

output_padding_left = output_padding_width - output_padding_right

也就是说，右边是优先填充的，如果只需要填充1行的话，会填充在右边

贴一个具体的tensorflow的例子

import tensorflow as tf
import numpy as np

def weight_variable(shape):
return tf.Variable(tf.ones(shape))

image = np.array([[1,2,3],[4,5,6],[7,8,9]], dtype=np.float32)
image = np.reshape(image,(1,3,3,1))

W = weight_variable([2, 2, 1, 1])

conv_valid = tf.nn.conv2d(image, W, strides=[1, 2, 2, 1], padding="VALID")
conv_same  = tf.nn.conv2d(image, W, strides=[1, 2, 2, 1], padding="SAME")

with tf.Session() as sess:
sess.run(tf.global_variables_initializer())

print(conv_valid.get_shape())
print(sess.run(conv_valid))
'''
shape: (1, 1, 1, 1)
value: [[[[12.]]]]
'''

print(conv_same.get_shape())
print(sess.run(conv_same))
'''
shape: (1, 2, 2, 1)
value:    [[[[12.]
[9.]]

[[15.]
[9.]]]]
'''

例子中输入图片大小为 3x3, 卷积尺寸为 2x2, stride 为 2，

VALID

参数的结果

shape

为 1x1，其值为 1x1+1x2+1x4+1x5 = 12, 没有覆盖的点直接略过，如图

SAME

会自动在输入图片下边和右边填充值维0的一行和一列