关于padding的same和valid以及降采样图像变为原来一半的疑惑

Question

在本节15分10秒，老师说由于图像大小是32*32，每次除以2可以除尽，因此padding选择same或valid无所谓，不存在数据丢失的问题。
问题1：如果在conv1中发生了降采样，那么padding设为same，作用不应该是使图像的输出大小等于输入大小吗，为什么会变为原来的一半？
问题2：如果padding为valid，图像经过3 * 3，步长为（2,2）的卷积后大小是15 * 15呀，数据还是会丢失。
问题3：在卷积操作中，不考虑卷积核大小，只要步长为2的就一定是降采样吗，即图像就一定是原来的一半吗？
老师，这块反复看了几遍视频，还是对这部分有些疑惑，不明所以，希望老师给出详细的解答，谢谢老师~

Answer 1

正十七 2019-01-03 01:14:19

问题1: padding 设为same指的不是让输入和输出一样，而是说不丢失数据。设为valid是指如果有不足的部分，就丢弃掉。 可以参考这个链接：https://stackoverflow.com/questions/37674306/what-is-the-difference-between-same-and-valid-padding-in-tf-nn-max-pool-of-t

问题2：padding是valid，卷积后大小是15*15，但是因为所有数据都参与了运算，所以我们不认为有数据丢失。也就是说，数据丢失与否不是由输出size是否变小来决定的。

问题3：基本上是，由我们卷积输入输出size公式可以看到，padding和卷积核大小只是加减，步长是用来除的，所以步长为2就是变为原来的一半。

• 提问者 CrazyCat岩 #1

  老师，还是问题2，设置成valid后，不足的会抛弃，那32*32按3*3，步长为2的卷积肯定有不够用的，比如第32维像素，没有参与计算被丢弃，这不就是数据丢失了吗

Answer 2

慕九州9175731 2018-12-06 04:58:15

降采样是在pooling层做的，目的是减少输入维度的同时获取某个区域内更具代表性的特征。padding是在卷积层做的，目的是提取特征，在卷积层不希望数据被丢失，也希望边缘数据能被最大化利用才会被做padding。两个层的任务不一样。个人理解。