Tensorflow系列——conv2d的用法

最新推荐文章于 2025-07-18 17:22:27 发布

原创最新推荐文章于 2025-07-18 17:22:27 发布 · 4.6k 阅读

CC 4.0 BY-SA版权

文章标签：

6 篇文章

订阅专栏

本文介绍了Tensorflow中conv2d操作的padding方式，包括VALID和SAME两种策略。VALID会丢弃边缘像素，导致输出尺寸减小；SAME则通过填充0保持输入和输出尺寸一致。

在做卷积处理时会遇到一个问题，边缘的像素怎么处理？有两种选择：

丢弃（VALID）：这种方式会丢弃边缘的点，保证卷积核不溢出图片。即使滑动的间隔为1，这样还是会导致卷积之后的图片变小。
$o u t h e i g h t = (i n h e i g h t - f i l t e r h e i g h t + 1) / s t r i d e s [1]$ $out_{height}=(in_{height} - filter_{height}+1)/strides[1]$ $o u t w i d t h = (i n w i d t h - f i l t e r w i d t h + 1) / s t r i d e s [1]$ $out_{width}=(in_{width} - filter_{width}+1)/strides[1]$
填充（SAME）：这种方式会对输入的矩阵外层包裹n层0，以保证当卷积核的中心位于原图片边缘的像素点时原先空白的地方现在用0补上。横行、竖行补0的行数分别为：
$e d g e r o w = (k e r n e l r o w - 1) / 2$ $edge_{row} = (kernel_{row} - 1) / 2$ $e d g e c o l s = (k e r n e l c o l s - 1) / 2$ $edge_{cols} = (kernel_{cols} - 1) / 2$ 当滑动的间隔为1时，这种方式输出的结果与原始图片大小相同：
$o u t h e i g h t = i n h e i g h t / s t r i d e s [1]$ $out_{height}=in_{height}/strides[1]$ $o u t w i d t h = i n w i d t h / s t r i d e s [1]$ $out_{width}=in_{width}/strides[1]$