为什么？ zero padding 不是 padding same吗

非常抱歉，我理解错了您的问题。确实，使用 zero padding 的卷积操作是为了保持输入和输出的大小相同，也被称为 "padding same"。在这种情况下，公式应该为：

输出大小 = (输入大小 + 2 * padding - 卷积核大小) / 步长 + 1

给定输入大小为84x84x1，卷积核大小为8x8，步长为3x3，滤波器有16个，并且使用了 zero padding 的方法。根据公式，我们可以进行计算：

输出大小 = (84 + 2 * 0 - 8) / 3 + 1
= 76 / 3 + 1
≈ 25.67

因此，使用 zero padding 的情况下，输出的大小应为约为25.67的正方形。由于卷积操作通常会向下取整，所以最终输出的大小应为25x25x16。非常抱歉之前的回答有误，请忽略之前的回答。谢谢您的指正！

相关问题

ZeroPadding

ZeroPadding是一种填充方式，它使用"0"作为填充数据的方式。在分组时，如果最后一组明文的长度没有达到分组长度，就会用"0"来补足。在.NET平台中，提供了这种方式，但Java没有提供。Java提供了NoPadding这种方式，意思是不做填充。如果你想自己填充数据，可以选择NoPadding方式，然后在明文中自行添加填充数据。\[1\]

ZeroPadding在卷积层中被广泛使用，它的作用是为了保持输入和输出的相同空间维度。在水平轴和垂直轴的开始和结束处都会添加一定数量的0，以保持维度一致。这样可以确保卷积操作能够在输入和输出之间进行有效的计算。\[2\]

在PyTorch中，除了使用0作为填充数据外，还可以将padding设置为其他数值。这是为了支持不同情况下的填充需求，比如(2,3)或(0,2)等。在卷积示意图中，需要将卷积核的左上角与被卷图像的左上角对齐开始计算。\[3\]
#### 引用[.reference_title]
- *1* [Java AES加密如何使用zeropadding方式填充](https://blog.csdn.net/OrangeJack/article/details/82913804)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item]
- *2* [Zero Padding（零填充）——在卷积神经网络中的作用？](https://blog.csdn.net/MengYa_Dream/article/details/123438445)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item]
- *3* [二维卷积详解，zero padding 和shape=full, same, valid详解](https://blog.csdn.net/weixin_42150026/article/details/104554895)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]

zero padding

Zero Padding在卷积神经网络中的作用是为了保护图像边缘信息的丢失。在CNN中，卷积操作可以实现图像的降维，即图像缩小。然而，如果重要的内容位于图像边缘，卷积后就会丢失大量信息。为了解决这个问题，可以使用零填充技术。零填充是一种允许保留原始输入大小的技术，在每个卷积层上指定。它在水平轴和垂直轴的开始和结束处添加了零，以保持输入和输出的相同空间维度，从而避免了边缘信息的丢失。零填充在卷积层中被广泛使用，以确保输入和输出具有相同的维度。<em>1</em><em>2</em><em>3</em>
#### 引用[.reference_title]
- *1* *3* [二维卷积详解，zero padding 和shape=full, same, valid详解](https://blog.csdn.net/weixin_42150026/article/details/104554895)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}} ] [.reference_item]
- *2* [Zero Padding（零填充）——在卷积神经网络中的作用？](https://blog.csdn.net/MengYa_Dream/article/details/123438445)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}} ] [.reference_item]
[ .reference_list ]