卷积神经网络中的padding理解

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/baidu_36161077/article/details/81165531

首先看一下以下代码吧！

from keras.layers import Conv2D,Dense,Flatten
from keras.models import Sequential
model = Sequential()
model.add(Conv2D(filters  = 32,kernel_size = [3,3],strides = [1,1],padding = 'same',input_shape = [6,6,3]))
model.add(Flatten())
model.add(Dense(units = 10,activation = 'softmax'))
model.compile()
model.fit()

问题的来源是这样的，卷积层的基本实现原理不难，但是当看到代码中的参数padding的时候感觉不是很明白，这里简单写一下自己的理解。

上图是简单的卷积处理方式，假设原始图片的尺寸是6x6,卷积核的大小是3x3,滑动步长为1，那么按照卷积核的滑动方式，我们可以得到feature map的尺寸为 $(6 - 3 + 1) \times (6 - 3 + 1)$,但是这样的处理方式会有两个缺点：

1.卷积后的矩阵越变越小（如果卷积层100层，每一层都缩小最终得到的将是很小的图片）
2.输入矩阵（左）边缘像素（绿阴影）只被计算过一次，而中间像素（红阴影）被卷积计算多次，意味着丢失图像角落信息。

为了解决这两个问题，就对输入图像进行padding，即填充像素

可以看到上图在原始图像的边缘用了像素填充，像素填充后的尺寸变为$8\times8$,卷积核的大小为$3\times3$,步长为1，经过卷积操作之后得到的feature map的尺寸是 $(8 - 3 + 1)\times(8 - 3 + 1) = 6\times6$,feature map的尺寸和原始输入图像的尺寸是一样的。这样就解决了feature map尺寸越来越小的问题。同时从图中可以看出，卷积核对边缘信息的处理不止处理了一次，对边缘信息的提取更加充分了。