零填充（Zero-padding）：有時，在輸入矩陣的邊緣使用零值進行填充，這樣咱們就能夠對輸入圖像矩陣的邊緣進行濾波。零填充的一大好處是可讓咱們控制特徵圖的大小。使用零填充的也叫作泛卷積，不適用零填充的叫作嚴格卷積。這個概念在下面的參考文獻Understanding Convolutional Neural Networks for NLP中介紹的很是詳細。spa
一直覺得所謂的全0填充就只是在外側多加一行和一列0
直到今天，我看到這段話code
# 聲明第一層卷積層的變量並實現前向傳播過程。這個過程經過使用不一樣命名空間來隔離不 # 同層的變量，這可讓每一層中的變量命名只須要考慮在當前層的做用，而不須要擔憂重 # 名的問題。和標準LeNet-5模型不大同樣，這裏定義的卷積層輸入爲28×28×1的原始MNIST # 圖片像素。由於卷積層中使用了全0填充，因此輸出爲28×28×32的矩陣
我怎麼也想不通，28×28×1，通過5×5的卷積計算以後，輸出怎麼仍是28。
…仔細翻了翻書本…
當padding='SAME’時
blog
輸出層矩陣的長度，等於，輸入層矩陣長度除以長度方向上的步長，也就是說28/1向上取整=28…圖片
當padding='VALID’時get
全0填充的含義，不是在右（下）多加一行（列）0。
具體加多少0要根據實際狀況決定！
io