关于TensorFlow的padding操作是如何补充0 的

原文链接：http://blog.csdn.net/accumulate_zhang/article/details/78359856

1.podding='SAME'时，全0填充。

2.padding=“VALID”,不使用全0填充

原本书上的内容，一开始看的时候没注意，没仔细看，只是单纯的理解为padding为SAME就补0；为VALID就不补0；

后来看代码的时候感觉不对劲，后来找了一些资料，才醒悟过来

参考链接： http://blog.csdn.net/lilai619/article/details/72854560

根据tensorflow中的conv2d函数，我们先定义几个基本符号

1、输入矩阵 W×W，这里只考虑输入宽高相等的情况，如果不相等，推导方法一样，不多解释。

2、filter矩阵 F×F，卷积核

3、stride值 S，步长

4、输出宽高为 new_height、new_width

当然还有其他的一些具体的参数，这里就不再说明了。

我们知道，padding的方式在tensorflow里分两种，一种是VALID，一种是SAME，下面分别介绍这两种方式的实际操作方法。

1、如果padding = ‘VALID’

new_height = new_width = (W – F + 1) / S （结果向上取整）

也就是说，conv2d的VALID方式不会在原有输入的基础上添加新的像素（假定我们的输入是图片数据，因为只有图片才有像素），输出矩阵的大小直接按照公式计算即可。

2、如果padding = ‘SAME’

new_height = new_width = W / S （结果向上取整）

在高度上需要pad的像素数为

pad_needed_height = (new_height – 1)  × S + F - W

根据上式，输入矩阵上方添加的像素数为

pad_top = pad_needed_height / 2  （结果取整）

下方添加的像素数为

pad_down = pad_needed_height - pad_top

以此类推，在宽度上需要pad的像素数和左右分别添加的像素数为

pad_needed_width = (new_width – 1)  × S + F - W

pad_left = pad_needed_width  / 2 （结果取整）

pad_right = pad_needed_width – pad_left

按照上面的计算方法，对于下面这几行，用2*2的filter去池化，全0填充，移动步长是2，对28*28*32的矩阵。用常规的思路，发现又要补0，又要池化，怎么会得到输出是14*14*32的结果呢？

其实这种思路是错的，首先应该去看参数的值是SMAE还是VALID，然后根据上面的公式直接去计算补0 的具体操作以及得到的输出矩阵的大小。

new_height = new_width = W / S （结果向上取整） 28/2=14

在高度上需要pad的像素数为

pad_needed_height = (new_height – 1)  × S + F - W (14-1)*2+2-28等于0，发现根本不需要补0的

根据上式，输入矩阵上方添加的像素数为

pad_top = pad_needed_height / 2  （结果取整）

下方添加的像素数为

pad_down = pad_needed_height - pad_top