关于卷积神经网络的填充（padding）

认识填充 （padding）

        随着卷积层数的加深，输出进一步缩小，那么最终会导致输出很快就只剩下1∗1的数组，这也就没办法继续计算了，所以提出了填充的方法来方便网络的进一步加深。 其实填充的原因有两点：

1. 不填充会导致图像逐渐变小，使网络深度无法达到很深；
2. 不填充会导致边缘和角落的像素学习不充分，被覆盖的次数不多。

        第二点的意思是指例如上图中的例子，输入数组的四个顶点：1,3,7,9在进行的四次卷积运算中，只被计算了一次，所以卷积学习的不充分，填充就是让卷积网络能够将边缘的角落也能多次学习，从而更全面地发现特征。

         填充的方法就是在输入的高和宽两侧分别填充了0元素，再进行卷积运算。

如何计算填充

这里需要介绍两种卷积核

1. Valid 卷积，表示的是不进行填充的卷积核；
2. Same 卷积，表示填充之后，进行运算之后的形状不变。

假设输入的形状为n∗n，填充的大小为p，卷积核的形状为f∗f，当使用的是 Same 卷积时，输出的形状也是n∗n。

        计算的等式为：n+2p−f+1=n，解得p=2f−1​。

        从结果中也可以看出，当卷积核的高宽为偶数时，就容易造成p的结果不是一个整数，这也就是上一张中提到卷积核通常高和宽均为奇数的其中一个原因。

如何调用Pytorch中的填充

nn.Conv2d()中的参数padding就是来控制填充大小的。padding=0表示四周不进行零填充，而padding=1则表示四周进行1个像素点的零填充，当然，也可以用padding=(2,1)来表示在高和宽两侧的填充数分别为2和1。