CNN中两种padding方式VALID和SAME

CNN之padding：VALID/SAME

#参数说明
fileter = [filter_height, filter_width, pre_feature_maps, post_feature_maps]
input_image = [-1, in_height, in_width, channel]
strides = [1, h, w, 1]

padding = "VALID"表示卷积过程使用全0填充，而padding = "SAME"，表示不使用填充；当stride表示卷积的步长，padding和stride共同决定卷积结果大小。我们通过实例来说明结果：

# 训练数据  
x = tf.placeholder("float", shape=[None, 784])    
# 把x更改为4维张量，第1维代表样本数量，第2维和第3维代表图像长宽， 第4维代表图像通道数, 1表示黑白
x_image = tf.reshape(x, [-1, 28, 28, 1])  
# 过滤器大小为5*5, 当前层深度为1， 过滤器的深度为32 
conv1_weights = tf.Variable(tf.truncated_normal([5, 5, 1, 32], stddev=0.1), name="W")

#使用全0填充，[in_height/h, in_width/w]
conv1 = tf.nn.conv2d(x_image, conv1_weights, strides=[1, 1, 1, 1], padding='SAME')
conv2 = tf.nn.conv2d(x_image, conv1_weights, strides=[1, 2, 2, 1], padding='SAME')
#不使用全0填充，[in_height -(filter_height-1)/h, in_width - (filter_width-1)/w]
conv3 = tf.nn.conv2d(x_image, conv1_weights, strides=[1, 1, 1, 1], padding='VALID')
conv4 = tf.nn.conv2d(x_image, conv1_weights, strides=[1, 2, 2, 1], padding='VALID')

结果如下：