前言

在使用Keras的時候會遇到這樣的程式碼x = Conv2D(filters, kernel_size=5, strides=2, padding=‘same’)(x)，與pytorch不同，keras和TensorFlow設定卷積層的過程中可以設定padding引數，vaild和same。“valid”代表只進行有效的卷積，對邊界資料不處理。“same”代表保留邊界處的卷積結果，通常會導致輸出shape與輸入shape相同。

分析

那vaild和same有什麼區別，兩者本質區別就是padding過程中採取的策略不同。

上面是按照1D的形式來進行講解的，2D的形式原理也相同。

input = layers.Input(shape=(230, 230, 3))
print(input.shape)
>>(?, 230, 230, 3)

x = layers.Conv2D(64, (7, 7),strides=(2, 2),padding='valid',kernel_initializer='he_normal',name='conv1')(x)
print(x.shape,math.ceil((230-7+1)/2))
>>(?, 112, 112, 64) 112

input = layers.Input(shape=(230, 230, 3))
print(input.shape)
>>>>(?, 230, 230, 3)

x = layers.Conv2D(64, (7, 7),strides=(2, 2),padding='same',kernel_initializer='he_normal',name='conv1')(x)
print(x.shape,math.ceil(230/2))
>>(?, 115, 115, 64) 115