tensorflow中nn的padding

2017年9月28日
MIL day ？

tensorflow.nn 的padding参数

这是help中最为直接清晰的document。

if padding == "SAME":    output_size = ceil(input_size / strides)if padding == "VALID":    output_size = ceil((input_size - (kernel_size-1) * dilation) / strides)

其中，input_size是输入的尺寸（如conv层，pooling层等），output_size是输出尺寸，strides是步长，kernel_size代表卷积核的尺寸，dilation指膨胀率，一般为1；ceil()函数是求不小于输入的最小整数。

总结

对于padding==same，输出尺寸是不小于输入尺寸/步长的最小整数，输出尺寸可以看做与卷积核尺寸无关。
对于padding==valid的大部分情况，输出尺寸是不小于(输入 - 卷积核尺寸 + 1)/步长的最小整数。这种情况复杂一点。
在网络模型中，padding可以说相当重要，因为它决定了最终模型每一层是否是尺寸合适的。

对于深度学习框架的API，最好的解决方案不是百度，而是官方文档和help