CNN中padding的作用

padding是增加图片各个边的pixels的数量，具体增加的数量由filter的尺寸和stride大小共同决定。padding的上限是维持feature map大小和原图大小一致。目的是保持feature map不要太小。

padding的意义：

1）为了不丢弃原图信息

2）为了保持feature map大小与原图一致

3）为了让更深层的layer的input依旧保持足够大的信息量

4）为了实现上述目的，且不做多余的事情，padding出来的pixel的值均为0，不存在噪音问题。

相关计算方法：

计算feature map 长与宽的公式 =

n 原图片（input）长与宽，p为padding，f是filter的长与宽， s是stride值；

补充资料：

convolution op有两种type：有padding=SAME,无padding=VALID。

1）“valid”表示不适用填充（只使用有效窗口位置）；

2）“same”表示填充后输出的宽度和高度与输入相同。

padding参数的默认值为“valid”。

两种type和成新图长宽计算方法：

1）如何计算无padding新和成图的（w,h）?

w = h = n - f + 1

2）如何计算加padding之后的新和成图的（w,h）?

w = h  = n + 2p - f +1

如果达成效果n = w = h ，那么P的值就是P = （f - 1）/2，f约定俗成为奇数。

奇数的原因：

1）“更自然，不会出现左右不均”，至少很难加一个分数pixel

2）奇数可以有居中pixel，方便说明周边pixel的位置

 

参考：https://link.zhihu.com/?target=https%3A//www.bilibili.com/video/av22581633/

https://zhuanlan.zhihu.com/p/31645196

 padding 课程 文本笔记 视频笔记 新发现3