卷积神经网络-填充+步长

Padding

n×n的图像 * f×f的图像 = （n-f+1）×（n-f+1）
f通常为奇数(会有中心点+ 好填充)
缺点：
1.多次卷积图像会变小
2.边缘的像素点 在f×f的卷积中覆盖的比较少，而中间的像素点会被多次覆盖到-》会丢失图像的边缘位置的信息

解决方法：
填充
例：在图像外侧填充一层像素，通常用0填充，原本6×6的图像填充成8×8的图像

这张图像在卷积后还是6×6的图像，则输出变成（n+2p-f+1）×（n+2p-f+1）的图像

Valid卷积

含义：不填充，p=0
n×n的图像 * f×f的图像 = （n-f+1）×（n-f+1）

Same卷积

填充后：输出大小和输入大小一样
填充p个像素点
(n+2p)×(n+2p)的图像 * f×f的图像=（n+2p-f+1）×（n+2p-f+1）
n+2p-f+1=n
p=（f-1）/2

---

例： 过滤器=5，p=（5-1）/2=2，填充两层-》输出图像和输入图像维数一致

---

卷积步长

例：
用7×7图像 * 3×3图像，步长=2

1.照样对左上角卷积，相加得到第一个数

2.过滤器跳过两个步长

向下移动（计算下面的行时）

公式：

• n×n图像
• 过滤器：f×f
• 步长：s
• padding:p
  最后卷积结果=[（n+2p-f)/s+1]×[（n+2p-f)/s+1]
  如果除不尽，向下取整，即如果覆盖框到了外面，，则不进行相乘操作
  

---

在例子中 s=2
（7+0-3）/2+1=2+1=3
所以最后输出结果是 3×3的图像