【发布时间】：2021-06-03 21:23:24
【问题描述】：
我对 Tensorflow 中 SAME 填充的理解是添加了填充，以便输出尺寸（宽度和高度）与输入尺寸相同。然而，这种理解只有在 stride=1 时才真正有意义，因为如果 stride >1，那么输出维度几乎肯定会更低。
所以我想知道在这种情况下计算填充的算法是什么。是否只是添加了填充，以便将过滤器应用于每个输入值，而不是在右侧留下一些？
【问题讨论】：
标签： tensorflow
【发布时间】：2021-06-03 21:23:24
【问题描述】：
有一个公式：
n' = 楼层((n+2*p-f)/s + 1)
其中 n' 是输出大小，n 是输入大小，p 是填充，f 是过滤器大小，s 是步幅。
如果您使用步幅 > 1 的 SAME 填充，p 将是使 (n+2*p-f) 可被 s 整除的最小数字。注意：p 可以是小数，因为它将在图像的两侧取平均值。
【讨论】：
-
你有这方面的参考吗？
彼得的回答是正确的，但可能缺少一些细节。让我补充一下。
Autopadding = SAME 表示：o = ceil(i/s)，其中 o = 输出大小，i = 输入大小，s = 步幅。
另外，通用的输出尺寸公式为：
o = floor( (i + p - k) / s) + 1
其中新术语是 p（填充）和 k，即有效内核大小 （包括扩张，或者如果扩张被禁用，则只包括内核大小）。
如果您开发该公式来求解 p，您会得到：
p_min = (o-1) s - i + k # i.e., when the floor is removed from the previous equation
p_max = o s - i + k - 1 # i.e., when the numerator of the floor % s is s-1
[p_min, p_max] 范围内的任何填充值 p 都将满足条件 o = ceil(i/s)，这意味着对于一个步幅 s，有 s 个满足公式的总解。
使用 p_min 作为填充是常态，因此您可以忽略所有其他 s-1 解决方案。
PS：这将是一维的，但对于 nD，只需为每个维度独立重复这些公式，即，
p_min[dimension_index] = (o[dimension_index]-1)s[dimension_index] - i[dimension_index] + k[dimension_index]
对于参考，这两个链接非常有用：
【讨论】：