神经网络基础-神经网络补充概念-59-padding

概念

在深度学习中，“padding”（填充）通常是指在卷积神经网络（Convolutional Neural Networks，CNNs）等神经网络层中，在输入数据的周围添加额外的元素（通常是零），以调整输入数据的尺寸或形状，从而影响输出的尺寸。

主要目的是为了解决卷积层或池化层等操作对输入尺寸的影响，特别是在多层网络中，希望保持尺寸的一致性。填充在图像处理中也可以用来控制滤波器的影响边界像素的程度。

填充可以分为两种常见的类型：零填充（Zero Padding）和边界填充（Border Padding）。

零填充（Zero Padding）： 在输入数据的周围添加零元素。这种填充方式常用于卷积层，以控制卷积核在边界处的影响，同时也能够保持尺寸的一致性。

边界填充（Border Padding）： 在输入数据的边界处添加重复或镜像的像素。这种填充方式常用于处理边界像素，以便卷积操作能够完全涵盖输入数据。

填充在卷积神经网络中起到了重要作用，它可以影响输出特征图的大小，进而影响网络的参数数量和计算复杂度。常见的填充方式包括 “valid”（无填充）、“same”（保持尺寸不变，使用零填充）和 “full”（完全填充，通常用于全卷积网络）。

代码实现

0填充

import tensorflow as tf

# 创建一个输入张量
input_data = tf.constant([[1, 2],
                          [3, 4]])

# 进行零填充
padded_data = tf.pad(input_data, paddings=[[1, 1], [1, 1]])

print("原始数据：")
print(input_data.numpy())
print("填充后的数据：")
print(padded_data.numpy())