tensorflow中卷积和池化函数中padding问题

一. 池化：

padding="SAME"

import tensorflow as tf
import numpy as np
a = [[[[1,3,2],
     [4,6,5],
     [7,9,8]]]]
a = np.transpose(a, [1, 2, 3, 0])
print(a.shape)
b = tf.nn.max_pool(a, [1, 2, 2, 1], [1, 2, 2, 1], padding="SAME")
sess = tf.Session()
t = sess.run(b)
print(t.shape)
print(t)
sess.close()

结果

padding="VALID"

结果

 

二. 卷积

padding="SAME"

import tensorflow as tf
import numpy as np
a = [[[[1,3,2],
     [4,6,5],
     [7,9,8]]]]
a = np.transpose(a, [1, 2, 3, 0])
a = a.astype(dtype="float32")
filter = tf.Variable(tf.random_normal([2, 2, 1, 3]))
sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(a.shape)
b = tf.nn.conv2d(a, filter, [1, 2, 2, 1], padding="SAME")
t = sess.run(b)
print(t.shape)
print(t)
sess.close()

结果：

padding="VALID"

结果：

 

三. 解释原因

池化与卷积函数的padding作用原理和效果是一样的（实验验证得出）。

模板在滑动时，可能存在覆盖不完全的地方，就比如用2*2的模板，对于VALID模式和SAME模式就不一样，SAME模式会补全橙色部分，而VALID模式就不会补全了，就把多余的地方全都舍去了。

 

若padding=“SAME", 原始数据（input）的height*width = h*w。且 strides=[1, a, b, 1]。则经过卷积或池化之后输出的数据height*width=ceil（h除以a得到的浮点数)  * ceil(w除以b得到的浮点数)。其中ceil（）是向上取整。