tensorflow中卷积和池化函数中padding问题

àì夳堔傛蜴生んèń 2022-01-28 06:19 194阅读 0赞

一. 池化：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hc3RlclNoYXc_size_16_color_FFFFFF_t_70][]

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

![20190523141005154.png][]

padding="VALID"

结果

![20190523141037849.png][]

二. 卷积

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hc3RlclNoYXc_size_16_color_FFFFFF_t_70 1][]

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：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hc3RlclNoYXc_size_16_color_FFFFFF_t_70 2][]

padding="VALID"

结果：

![20190523142756586.png][]

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。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hc3RlclNoYXc_size_16_color_FFFFFF_t_70 3][]

![20190523141357285.png][]

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。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hc3RlclNoYXc_size_16_color_FFFFFF_t_70]: /images/20220128/006d873ec6794dceae4c4c49b3409132.png
[20190523141005154.png]: /images/20220128/6d0caadb1cfc49e49d33492c4596d4c7.png
[20190523141037849.png]: /images/20220128/e02697bce29240d58e48d0c24d6d9475.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hc3RlclNoYXc_size_16_color_FFFFFF_t_70 1]: /images/20220128/843e5df32c6445799524170bb400f073.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hc3RlclNoYXc_size_16_color_FFFFFF_t_70 2]: /images/20220128/4d844946bd5c45d8a9f958cf4bf6ce23.png
[20190523142756586.png]: /images/20220128/b242c79e5e3345b2bc2047922d186124.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21hc3RlclNoYXc_size_16_color_FFFFFF_t_70 3]: /images/20220128/aa4c55642bd34459a2716215dd04676a.png
[20190523141357285.png]: /images/20220128/a8968ff4363f47249dcadf5c5012bb78.png