導讀

本篇文章主要介紹CNN中常見的填充方式Padding，Padding在CNN中用的很多，是CNN必不可少的組成部分，使用Padding的目的主要是為了調整輸出的大小，是必須搞清楚的知識點。如果你想繼續了解深度學習，那么請看下去吧！

目前深度學習系列已經更新了6篇文章，分別是激活函數篇、卷積篇、損失函數篇、下采樣篇、評估指標篇，另有1篇保姆級入門教程，1篇總結性文章CNN中十大令人拍案叫絕的操作，想要入門深度學習的同學不容錯過！

一、Padding介紹

1.1 什么是Padding

在進行卷積層的處理之前，有時要向輸入數據的周圍填入固定的數據（比如0、1等），這稱為填充（padding），是卷積運算中經常會用到的處理。例如，向下列tensor中使用幅度為1像素為0的填充。

虛線部分表示是填充的數據，這里省略了填充的內容0。

1.2 為什么要使用Padding

• 1.使用填充主要是為了調整輸出的大小。比如，對大小為(4, 4)的輸入數據應用(3, 3)的濾波器時，輸出大小變為(2, 2)，相當于輸出大小比輸入大小縮小了 2個元素。這在反復進行多次卷積運算的深度網絡中會成為問題。為什么呢？因為如果每次進行卷積運算都會縮小空間，那么在某個時刻輸出大小就有可能變為 1，導致無法再應用卷積運算。為了避免出現這樣的情況，就要使用填充。在剛才的例子中，將填充的幅度設為 1，那么相對于輸入大小(4, 4)，輸出大小也保持為原來的(4, 4)。因此，卷積運算就可以在保持空間大小不變的情況下將數據傳給下一層。
• 2.越是邊緣的像素點，對于輸出的影響越小，因為卷積運算在移動的時候到邊緣就結束了。中間的像素點有可能會參與多次計算，但是邊緣像素點可能只參與一次。所以結果可能會丟失邊緣信息。使用Padding可以在一定程度上保留邊界信息。

二、常見的Padding方式

這里我會以圖示的方式盡量將每種填充方式都闡述清楚，CNN中用到的填充方式無非就是下面的四種，最常用的是填0的Padding，另鏡面Padding在Unet論文中使用過，感興趣的同學可以自行下載去閱讀！

Unet：Unet論文鏈接

2.1 填0Padding

原tensor：

[[-0.1678, -0.4418, 1.9466],[ 0.9604, -0.4219, -0.5241],[-0.9162, -0.5436, -0.6446]]

經過Padding（幅度為2，填充為0）后：

[[ 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000],[ 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000],[ 0.0000, 0.0000, -0.1678, -0.4418, 1.9466, 0.0000, 0.0000],[ 0.0000, 0.0000, 0.9604, -0.4219, -0.5241, 0.0000, 0.0000],[ 0.0000, 0.0000, -0.9162, -0.5436, -0.6446, 0.0000, 0.0000],[ 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000],[ 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000]]

2.2 鏡面Padding

原始tensor：

[[0., 1., 2.], [3., 4., 5.], [6., 7., 8.]]

經過鏡面Padding之后：

[[8., 7., 6., 7., 8., 7., 6.],[5., 4., 3., 4., 5., 4., 3.],[2., 1., 0., 1., 2., 1., 0.],[5., 4., 3., 4., 5., 4., 3.],[8., 7., 6., 7., 8., 7., 6.],[5., 4., 3., 4., 5., 4., 3.],[2., 1., 0., 1., 2., 1., 0.]]

通俗解釋一下鏡面Padding是如何實現的，其實原理也很簡單，跟初中物理學過的鏡面反射原理是一樣的，分別以原始tensor的四條邊為鏡面，然后進行反射，即可得到鏡面Padding之后的tensor了。

2.3 填連續值Padding

原始tensor：

[[ 1.6585, 0.4320],[-0.8701, -0.4649]]

經過Padding（幅度為2，填充為3.5）之后，變為下列所示的tensor：

[[ 3.5000, 3.5000, 3.5000, 3.5000, 3.5000, 3.5000],[ 3.5000, 3.5000, 3.5000, 3.5000, 3.5000, 3.5000],[ 3.5000, 3.5000, 1.6585, 0.4320, 3.5000, 3.5000],[ 3.5000, 3.5000, -0.8701, -0.4649, 3.5000, 3.5000],[ 3.5000, 3.5000, 3.5000, 3.5000, 3.5000, 3.5000],[ 3.5000, 3.5000, 3.5000, 3.5000, 3.5000, 3.5000]]

2.4 使用輸入tensor的邊緣Padding

原始tensor：

[[0., 1., 2.],[3., 4., 5.],[6., 7., 8.]]

經過Padding（幅度為2）后的tensor：

[[0., 0., 0., 1., 2., 2., 2.],[0., 0., 0., 1., 2., 2., 2.],[0., 0., 0., 1., 2., 2., 2.],[3., 3., 3., 4., 5., 5., 5.],[6., 6., 6., 7., 8., 8., 8.],[6., 6., 6., 7., 8., 8., 8.],[6., 6., 6., 7., 8., 8., 8.]]

文章持續更新，可以關注微信公眾號【醫學圖像人工智能實戰營】獲取最新動態，一個專注于醫學圖像處理領域前沿科技的公眾號。堅持以實踐為主，手把手帶你做項目，打比賽，寫論文。凡原創文章皆提供理論講解，實驗代碼，實驗數據。更有上百部深度學習入門資料免費等你來拿，只有實踐才能成長的更快，關注我們，一起學習進步~

計劃

深度學習保姆級入門教程 – 論文+代碼+常用工具
1個字，絕! – CNN中十大令人拍案叫絕的操作
都2021年了，不會還有人連深度學習還不了解吧？（一）-- 激活函數篇
都2021年了，不會還有人連深度學習還不了解吧？（二）-- 卷積篇
都2021年了，不會還有人連深度學習還不了解吧？（三）-- 損失函數篇
都2021年了，不會還有人連深度學習還不了解吧？（四）-- 上采樣篇
都2021年了，不會還有人連深度學習還不了解吧？（五）-- 下采樣篇
都2021年了，不會還有人連深度學習還不了解吧？（六）-- Padding篇
都2021年了，不會還有人連深度學習還不了解吧？（七）-- 評估指標篇
都2021年了，不會還有人連深度學習還不了解吧？（八）-- 優化算法篇
都2021年了，不會還有人連深度學習還不了解吧？（九）-- 注意力機制篇
都2021年了，不會還有人連深度學習還不了解吧？（十）-- 數據歸一化篇

覺得寫的不錯的話，歡迎點贊+評論+收藏，歡迎關注我的微信公眾號，這對我幫助真的很大很大很大！

總結

以上是生活随笔為你收集整理的都2021年了，不会还有人连深度学习还不了解吧（六）-- Padding篇的全部內容，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。