Tensorflow中padding的两种类型SAME和VALID

前面是max_pool第二个参数是卷积核，第三个参数是对应步长，

import tensorflow as tf
sess=tf.Session()
x = tf.constant([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]])

x = tf.reshape(x, [1, 3, 3, 1])  # give a shape accepted by tf.nn.max_pool
valid_pad = tf.nn.max_pool(x, [1, 2, 2, 1], [1, 2, 2, 1], padding='VALID')
same_pad = tf.nn.max_pool(x, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')
print(sess.run(valid_pad))
print("--------------")
print(sess.run(same_pad))

import tensorflow as tf
sess=tf.Session()
x = tf.constant([[1., 2., 3.], [4., 5., 6.]])

x = tf.reshape(x, [1, 2, 3, 1])  # give a shape accepted by tf.nn.max_pool
valid_pad = tf.nn.max_pool(x, [1, 2, 2, 1], [1, 2, 2, 1], padding='VALID')
same_pad = tf.nn.max_pool(x, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')
print(sess.run(valid_pad))
print("--------------")
print(sess.run(same_pad))

x = tf.reshape(x, [1, 3, 2, 1])  # give a shape accepted by tf.nn.max_pool
same_pad = tf.nn.max_pool(x, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')
print("--------------")
print(sess.run(same_pad))

[[[[ 5.]]]]
--------------
[[[[ 5.]
   [ 6.]]]]
--------------
[[[[ 4.]]
  [[ 6.]]]]

tensorflow conv2d的padding解释以及参数解释

1、padding的方式：

说明：
1、摘录自http://stackoverflow.com/questions/37674306/what-is-the-difference-between-same-and-valid-padding-in-tf-nn-max-pool-of-t
2、不同的padding方式,VALID是采用丢弃的方式,比如上述的input_width=13,只允许滑动2次,多余的元素全部丢掉
3、SAME的方式,采用的是补全的方式,对于上述的情况,允许滑动3次,但是需要补3个元素,左奇右偶,在左边补一个0,右边补2个0
4、For the SAME padding, the output height and width are computed as:
 

 
 

  
out_height = ceil(float(in_height) / float(strides[1]))
out_width = ceil(float(in_width) / float(strides[2]))
 
 
 

  
For the VALID padding, the output height and width are computed as:
   
out_height = ceil(float(in_height - filter_height + 1) / float(strides[1]))
out_width = ceil(float(in_width - filter_width + 1) / float(strides[2]))
 
2、conv2d的参数：
1、strides[0] = strides[3] = 1
3、conv2d的参数解释：
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
  
除去name参数用以指定该操作的name，与方法有关的一共五个参数：
第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一
第二个参数filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同,filter的通道数要求与input的in_channels一致，有一个地方需要注意，第三维in_channels，就是参数input的第四维
第三个参数strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4，strides[0]=strides[3]=1
第四个参数padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式（后面会介绍）
第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true
结果返回一个Tensor，这个输出，就是我们常说的feature map
4、conv2d的例子：
那么TensorFlow的卷积具体是怎样实现的呢，用一些例子去解释它：
1、

 
 

  
  
 
   
 [python]  view plain  copy
     

     
 
    
  
   
  
  
  
  

   
import tensorflow as tf  
   
#case 2  
   
input = tf.Variable(tf.random_normal([1,3,3,5]))  
   
filter = tf.Variable(tf.random_normal([1,1,5,1]))  
   
op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')  
   
  
   
with tf.Session() as sess:  
   
    sess.run(tf.initialize_all_variables())  
   
    res = (sess.run(op))  
   
    print (res.shape)  
  
 
 
2、

 
 

  
  
 
   
 [python]  view plain  copy
     

     
 
    
  
   
  
  
  
  

   
import tensorflow as tf  
   
   
   
input = tf.Variable(tf.random_normal([1,5,5,5]))  
   
filter = tf.Variable(tf.random_normal([3,3,5,1]))  
   
op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')  
   
  
   
with tf.Session() as sess:  
   
    sess.run(tf.initialize_all_variables())  
   
    res = (sess.run(op))  
   
    print (res.shape)  
  
 
 
说明：
1、使用VALID方式,feature map的尺寸为
out_height = ceil(float(in_height - filter_height + 1) / float(strides[1]))=(5-3+1)/1 = 3
out_width = ceil(float(in_width - filter_width + 1) / float(strides[2])) = (5-3+1)/1 = 3
所以,feature map的尺寸为3*3
2、filter的参数个数为3*3*5*1,也即对于输入的每个通道数都对应于一个3*3的滤波器,然后共5个通道数,conv2d的过程就是对5个输入进行点击然后求和,得到一张feature map。如果要得到3张feature map,那么应该使用的参数为3*3*5*3个参数.

 

文章来源: blog.csdn.net，作者：网奇，版权归原作者所有，如需转载，请联系作者。

原文链接：blog.csdn.net/jacke121/article/details/78867082