转载
1.podding='SAME'时，全0填充。
2.padding=“VALID”,不使用全0填充
原本书上的内容，一开始看的时候没注意，没仔细看，只是单纯的理解为padding为SAME就补0；为VALID就不补0；
后来看代码的时候感觉不对劲，后来找了一些资料，才醒悟过来
参考链接：http://blog.csdn.net/lilai619/article/details/72854560
根据tensorflow中的conv2d函数，我们先定义几个基本符号
1、输入矩阵 W×W，这里只考虑输入宽高相等的情况，如果不相等，推导方法一样，不多解释。
2、filter矩阵 F×F，卷积核
3、stride值 S，步长
4、输出宽高为 new_height、new_width
当然还有其他的一些具体的参数，这里就不再说明了。
我们知道，padding的方式在tensorflow里分两种，一种是VALID，一种是SAME，下面分别介绍这两种方式的实际操作方法。
1、如果padding = ‘VALID’
new_height = new_width = (W – F + 1) / S （结果向上取整）
也就是说，conv2d的VALID方式不会在原有输入的基础上添加新的像素（假定我们的输入是图片数据，因为只有图片才有像素），输出矩阵的大小直接按照公式计算即可。
2、如果padding = ‘SAME’
new_height = new_width = W / S （结果向上取整）
在高度上需要pad的像素数为
pad_needed_height = (new_height – 1) × S + F - W
根据上式，输入矩阵上方添加的像素数为
pad_top = pad_needed_height / 2 （结果取整）
下方添加的像素数为
pad_down = pad_needed_height - pad_top
以此类推，在宽度上需要pad的像素数和左右分别添加的像素数为
pad_needed_width = (new_width – 1) × S + F - W
pad_left = pad_needed_width / 2 （结果取整）
pad_right = pad_needed_width – pad_left
按照上面的计算方法，对于下面这几行，用2*2的filter去池化，全0填充，移动步长是2，对28*28*32的矩阵。用常规的思路，发现又要补0，又要池化，怎么会得到输出是14*14*32的结果呢？
其实这种思路是错的，首先应该去看参数的值是SMAE还是VALID，然后根据上面的公式直接去计算补0 的具体操作以及得到的输出矩阵的大小。
new_height = new_width = W / S （结果向上取整） 28/2=14
在高度上需要pad的像素数为
pad_needed_height = (new_height – 1) × S + F - W (14-1)*2+2-28等于0，发现根本不需要补0的
根据上式，输入矩阵上方添加的像素数为
pad_top = pad_needed_height / 2 （结果取整）
下方添加的像素数为
pad_down = pad_needed_height - pad_top
————————————————
版权声明：本文为CSDN博主「accumulate_zhang」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/accumulate_zhang/article/details/78359856
