valid padding
时间: 2023-10-12 22:40:55 浏览: 48
Valid padding是指在卷积操作中,卷积核不跨越图像边界进行卷积,即只对图像中位置完全包含卷积核的部分进行卷积。这种方式下,卷积后的输出图像尺寸会比输入图像尺寸减小,因此也被称为“缩减卷积”(shrink convolution)。相对应的,另一种常见的卷积方式是“同填充卷积”(same padding convolution),即在图像边界进行填充,使卷积核可以跨越边界进行卷积,最终使得卷积后的输出图像尺寸与输入图像尺寸相同。
相关问题
Valid padding
Valid padding是卷积神经网络中的一种填充方式。在使用Valid padding时,卷积操作仅在输入图像的有效像素上进行,不进行填充。因此,输出图像的尺寸会减小,宽度和高度的减小量由卷积核的大小和步幅决定。
在引用中,对于给定的输入图像,应用了2x2的卷积核和Valid padding,步幅(strides)为2。根据公式ceil((n-k+1)/s),其中n为输入图像的尺寸,k为卷积核的尺寸,s为步幅,可以得到输出图像的尺寸为N x 1 x 1 x 32,其中32是卷积后的图像高度。
同样地,在引用中,应用了1x1的卷积核和Valid padding,步幅为1。根据公式ceil((n-k+1)/s),可以得到输出图像的尺寸为N x 2 x 3 x 32,其中32是卷积后的图像高度。
padding valid和same区别
"Padding valid" 和 "Padding same" 是指在卷积神经网络中的两种不同的 padding(填充)方式。
"Padding valid" 表示不进行任何填充,也就是不在输入的边缘进行补零操作,这会导致卷积后的输出尺寸比输入尺寸小。
"Padding same" 表示在输入的边缘进行补零操作,使得卷积后的输出尺寸与输入尺寸相同。具体来说,如果卷积核的大小为 k,那么在输入边缘进行补零的大小为 (k-1)/2。
在使用卷积神经网络时,选择哪种 padding 方式取决于具体的应用场景和模型结构。