keras中conv2d的padding能填什么

在Keras中，`Conv2D`的`padding`参数可以填写以下两个值之一：

- `'valid'`：表示不填充，仅对每个位置的输入进行卷积计算。因此，输出的大小会比输入小，大小减少了卷积核的大小减去1。如果输入的形状为`(batch_size, height, width, channels)`，卷积核的形状为`(kernel_height, kernel_width, input_channels, output_channels)`，则输出的形状将是`(batch_size, new_height, new_width, output_channels)`，其中`new_height = height - kernel_height + 1`，`new_width = width - kernel_width + 1`。

- `'same'`：表示在输入的周围填充足够的0，使得卷积后的输出大小与输入大小相同。如果输入的形状为`(batch_size, height, width, channels)`，卷积核的形状为`(kernel_height, kernel_width, input_channels, output_channels)`，则填充的大小为：

  pad_along_height = max((height - 1) * stride[0] + kernel_height - height, 0)
  pad_along_width = max((width - 1) * stride[1] + kernel_width - width, 0)
  total_vertical_padding = pad_along_height // 2
  total_horizontal_padding = pad_along_width // 2

其中，`stride`表示卷积步长。使用`'same'`填充时，填充的大小可能是奇数或偶数。如果是奇数，则在右侧或下侧填充一个额外的0，以便填充后的大小与输入大小相同。填充后的输入形状为`(batch_size, height + total_vertical_padding * 2, width + total_horizontal_padding * 2, channels)`，卷积后的输出形状与输入相同，即为`(batch_size, height, width, output_channels)`。

除了`'valid'`和`'same'`之外，还可以自定义填充方式，这需要使用`ZeroPadding2D`层来实现自定义填充。