keras中卷积的两种padding方式

Posted 2023-04-06

参考技术A keras中卷积有两种padding方式，一种是 SAME ，一种是 VALID 。 SAME 是在进行卷积前，在图像的周围补一圈0，而用 VALID 则不对输入图像进行填充。因此，这两种的padding方式得到的输出是不同的，假设n为新得到kernel的尺寸，m为原来kernel的尺寸，k为filters的大小，s为步长，除不尽时向下取整（Pooling操作向上取整）。
padding = 'VALID' 的filters尺寸计算公式是：

padding = 'SAME' 的filters尺寸计算公式是：

pooling的设计算公式是：

*注：在pytorch中，卷积核的计算方式不同，pytorch中padding方式只有'valid'，并且padding补0的层数可以自己定义（keras只在图像周围增加1层），因此pytorch的卷积核计算方式有些不同：

Tensorflow中卷积的padding方式

根据tensorflow中的Conv2D函数，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
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

在tensorflow中padding的方式有两种，一种是valid，一种是same

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

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

pad_needed_height = (new_width - 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)

输入矩阵下方需要添加的像素数为：

pad_down = pad_needed_height - pad_top

输入矩阵左方需要添加的像素数为：

pad_left = pad_needed_width / 2 (结果取整)

输入矩阵右方需要添加的像素数为：

pad_right = pad_needed_width - pad_left