padding same

"Padding same"，也称为"same padding"，是一种在深度学习模型中使用的技术，目的是在卷积操作中保持输入和输出的大小相同。在卷积操作中，我们对输入数据进行滑动窗口计算，每次计算得到一个输出值。如果不进行padding，那么在计算边缘处的数据时，由于滑动窗口的大小超过了边缘，就会导致输出的大小比输入的大小要小。为了避免这种情况，我们可以在输入数据的边缘进行padding，使得输入和输出的大小相同。"Padding same"意味着我们在输入数据的边缘进行padding，padding的大小是使得输出大小等于输入大小的滑动窗口大小减一再除以二。

相关问题

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！

same padding

Same padding is a technique used in convolutional neural networks (CNNs) to preserve the spatial dimensions of the input volume or image after convolution. It involves adding zeros to the input volume or image so that the output volume or feature map has the same size as the input. This is achieved by calculating the amount of padding needed for each axis of the input such that the convolution operation does not reduce the spatial dimensions.

For example, if we have a 5x5 input image and we apply a 3x3 filter with a stride of 1 and no padding, the resulting output feature map will have dimensions of 3x3. However, if we add one layer of padding around the input image, the resulting output feature map will also have dimensions of 5x5. This is because the padding has effectively expanded the input image to 7x7 before applying the convolution, resulting in an output feature map with dimensions equal to the input image.