tensorflow中的卷积神经网络的padding的两种方式

输入图片大小 W×W
Filter大小 F×F
步长strides S
padding的像素数 P
输出大小为NxN

长宽不等时，卷积之后的计算公式也是如此，只需分别计算即可。

在实际操作时，我们还会碰到 padding的两种方式 “SAME” 和 “VALID”，padding = “SAME”时，会在图像的周围填 “0”，padding = “VALID”则不需要，即 P=0。一般会选“SAME”，以来减缓图像变小的速度，二来防止边界信息丢失（即有些图像边界的信息发挥作用较少）。

注意！！！

此时可能会发现，按照这两种方式，按照上面的公式怎么不对呀

其实公式是没有问题的，

padding = “VALID”： P=0
padding = “SAME”： kernel_size=1时，P=0；kernel_size=3时，P=1；kernel_size=5时，P=3，以此类推。

问题可能也就出在上面

tensorflow官网给出了另一种计算方式，也是正确的
(用这个更方便)：
(用这个更方便)：
(用这个更方便)：

padding = “SAME”时：

（ 解释：输入w / 步长s 之后向上取整）

padding = “VALID”时：

（也是向上取整）

举例说明
当

输入是55，
卷积核是33，
步长S = 2

padding= “SAME”时：

根据公式：

根据公式：

padding= “VALID”时：

根据公式：

根据公式：

之前在网上找的课
里面介绍的padding的计算方法跟这里的不一样
然后我就手动计算
发现是这里的正确
不知道网课为什么会教的不对，难道是时间版本不一样。
我这里的是gpu1.x版本