转载请标明出处：http://blog.csdn.net/wuzqchom/article/details/74785643

在用tensorflow调用卷积核api的时候，会有填padding方式的参数，找到源码中的函数定义如下（max pooling也是一样）：

源码中对于padding参数的说明如下：

源码中说明padding可以用SAME和VALID两种方式，但是对于这两种方式具体是什么并没有多加说明。 这里用Stack Overflow中的一份代码来简单解释一下，代码如下：

最后输出的结果为：

可以看出SAME的填充方式是比VALID的填充方式多了一列。 让我们来看看变量 x x x是一个 2 × 3 2\times3 2×3的矩阵，max pooling窗口为 2 × 2 2\times2 2×2，两个维度的步长 s t r i d e s = 2 strides=2 strides=2。 第一次由于窗口可以覆盖，橙色区域做max pooling，没什么问题，如下：

接下来就是SAME和VALID的区别所在：由于步长为2，当向右滑动两步之后，VALID方式发现余下的窗口不到 2 × 2 2\times2 2×2所以直接将第三列舍弃，而SAME方式并不会把多出的一列丢弃，但是只有一列了不够 2 × 2 2\times2 2×2怎么办？填充！

如上图所示，SAME会增加第四列以保证可以达到 2 × 2 2\times2 2×2，但为了不影响原始信息，一般以0来填充。这就不难理解不同的padding方式输出的形状会有所不同了。

当CNN用于文本中时，一般卷积层设置卷积核的大小为n×k，其中k为输入向量的维度（即[n,k,input_channel_num,output_channel_num]），这时候我们就需要选择“VALID”填充方式，这时候窗口仅仅是沿着一个维度扫描而不是两个维度。可以理解为统计语言模型当中的N-gram。

d i l a t i o n _ r a t e dilation\_rate dilation_rate为一个可选的参数，默认为1，这里我们不管。 整理一下，对于VALID，输出的形状计算如下： n e w _ h e i g h t = n e w _ w i d t h = ⌈ ( W – F + 1 ) S ⌉ new\_height = new\_width =\lceil \frac{ (W – F + 1)} { S} \rceil new_height=new_width=⌈S(W–F+1)​⌉ 对于SAME，输出的形状计算如下： n e w _ h e i g h t = n e w _ w i d t h = ⌈ W S ⌉ new\_height = new\_width =\lceil \frac{ W } { S}\rceil new_height=new_width=⌈SW​⌉ 其中， W W W为输入的size， F F F为filter的size， S S S为步长， ⌈ ⌉ \lceil \rceil ⌈⌉为向上取整符号。