卷积神经网络中same padding 和 valid padding

The TensorFlow Convolution example gives an overview about the difference between SAME and VALID :

For the SAME padding, the output height and width are computed as:

out_height = ceil(float(in_height) / float(strides[1]))

out_width = ceil(float(in_width) / float(strides[2]))
And

For the VALID padding, the output height and width are computed as:

out_height = ceil(float(in_height - filter_height + 1) / float(strides1))

out_width = ceil(float(in_width - filter_width + 1) / float(strides[2]))

输入：【N，2，3，1】样本数，2行，3列，1个颜色通道
如果：tf.nn.conv2d(x,W,strides=[1,1,1,1],padding=”SAME”)
strides 1*1 采用same padding
（2）/ 1 = 2
（3）/ 1 = 3
输出：【N，2，3，32】 32是卷积后的图像高度

strides 1*1 采用valid padding
（2 -1 +1）/ 1 = 2
（3 -1 +1）/ 1 = 3
输出：【N，2，3，32】 32是卷积后的图像高度
same padding 和 valid padding 输出结果相同

如果：tf.nn.conv2d(x,W,strides=[1,2,2,1],padding=”SAME”)
strides 2*2 采用same padding
（2）/ 2 = 1
ceil（（3）/ 2） = 2
输出：【N，1，2，32】 32是卷积后的图像高度

strides 2*2 采用valid padding
ceil（（2-2 +1）/ 2） = 1
（3 -2+ 1）/ 2 = 1
输出：【N，1，1，32】 32是卷积后的图像高度
same padding 和 valid padding 输出结果不相同