簡述

在網上看了很多的解釋，自己又大致的理解了一下之后明白了。

文章目錄

• • 簡述
  • 卷積
  • 加上padding的卷積
  • • 1.使得整個圖大小不會發生變化。
    • 2.使得整個圖大小不會發生變化。
  • 實際上的公式
  • 關于padding的數值
  • 引用

卷積

首先我們得明白什么是卷積。

但是由于我們這里只想要推理padding的大小，所以只會討論這個大小的問題。

• (n,n)和(n, n)的矩陣相乘，規模任然是(n, n)。
• 我們知道，卷積的過程，其實是kernal在整體輸入上的一個滑動的過程。
• 首先我們得知道滑動的步長。（stride）
• 推理這個公式其實非常簡單。 (original_size - (kernal_size - 1)) / stride
• 上面的公式現在還沒有化簡，但是其實非常容易理解的。就是原圖刪除掉（kernal-1）大小之后的區間除以stride后，向下整數。
• 減去那個部分是為了避免越界。
• 之后再除以步長，就是小學經典的，給定長度的路，再給定一個樹之間的間距，來算能插入多少棵樹的問題了。

上面的公式就給出了，經過一次卷積之后，生成的圖的大小。

---

加上padding的卷積

上面部分其實是容易理解，加上padding有兩個作用

padding的含義： 在四周加格子

1.使得整個圖大小不會發生變化。

• 如果留心上面的操作的話，會發現，只有當kernal=1并且stride=1的時候，新圖的大小才能等于原始大小。否則只能更小。但是對于研究深度學習的人（調模型參數的菜雞們），這個怎么可以容忍了，沒有參數可以調了！！只能是1！那還搞什么啊！
• 所以，加上了padding

加上padding之后，上面的公式就要發生修改了。

$$(OriginalSize?(KernalSize?1)+2?padding)/stride$$

因為padding如果是數值的話，表示的是兩邊都加。也就加了兩遍的padding在origin的大小上，所以，就乘以2

2.使得整個圖大小不會發生變化。

使得邊緣的數據可以被用到。非常顯然，這里的邊緣數據都很少被用到的。

所以加上之后，擴充了整個圖，讓邊緣的數據的用到次數得到提高。這樣才能更好的得到整張圖的特征。

實際上的公式

$$OutputSize=\frac{InputSize?KernalSize+2?Padding}{stride}+1$$

非常奇怪，公式是這樣的。
其實，當OutputSize這些都是2的倍數的時候，這個是沒什么考慮的。
個人認為是考慮到有奇數的情況。但具體的我也沒有經過數學推導證明過，如果有的話，歡迎大佬分享。

關于padding的數值

這里就引進了一個新的參數，那就是bias.

有興趣的朋友可以自己查一查。

引用

https://blog.csdn.net/u012442157/article/details/78570505
https://pytorch.org/docs/stable/nn.html
https://blog.csdn.net/g11d111/article/details/82665265

總結

以上是生活随笔為你收集整理的nn.Conv2d中padding详解【pytorch学习】的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。