步长与填充：让卷积的神奇之处更胜一筹

动起手来学深度学习6.2 填充和步幅 padding and strides

参与11月更文挑战的第23天，活动详情查看：2021最后一次更文挑战 需要接着动手学深度学习6.1 为什么需要卷积层 | 卷积公式推导 看。

经过第一节的推到和演示，我们已经能get到卷积的输出形状取决

• 输入特征图的大小
• 卷积核的大小
• 步幅
• 填充

步幅和填充是两个非常重要的概念，它们会对卷积的输出形状产生重大影响。在本节中，我们将详细探讨这两个概念，并通过例子来说明它们是如何工作的。

步幅

步幅是指卷积核在输入特征图上移动的步长。步幅为1表示卷积核每次移动一个像素，步幅为2表示卷积核每次移动两个像素，以此类推。

步幅会影响卷积的输出形状。步幅越大，输出形状越小。这是因为步幅越大，卷积核就会跳过更多的像素，从而导致输出特征图中的像素数量减少。

例如，假设我们有一个大小为5x5的输入特征图，卷积核大小为3x3，步幅为1。那么，卷积的输出形状将为3x3。

如果我们将步幅改为2，那么卷积的输出形状将为2x2。这是因为卷积核每次移动两个像素，因此会跳过一些像素。

填充

填充是指在输入特征图的周围添加额外的像素。填充可以防止卷积核在特征图的边缘处丢失信息。

填充有两种方式：

• 零填充：在特征图的周围添加0像素。
• 边缘填充：在特征图的周围添加输入特征图边缘的像素。

填充会影响卷积的输出形状。填充越多，输出形状越大。这是因为填充会增加输入特征图的大小，从而导致输出特征图中的像素数量增加。

例如，假设我们有一个大小为5x5的输入特征图，卷积核大小为3x3，步幅为1，填充为0。那么，卷积的输出形状将为3x3。

如果我们将填充改为1，那么卷积的输出形状将为5x5。这是因为我们在输入特征图的周围添加了1像素的0填充，从而导致输入特征图的大小增加到7x7。

填充和步幅的应用

填充和步幅是卷积神经网络中非常重要的两个概念。它们可以用来控制卷积的输出形状，并防止卷积核在特征图的边缘处丢失信息。

填充和步幅在实践中有很多应用。例如，它们可以用来：

• 减少卷积的输出形状。这可以减少卷积神经网络的参数数量，并提高训练速度。
• 防止卷积核在特征图的边缘处丢失信息。这可以提高卷积神经网络的准确性。
• 控制卷积核在输入特征图上的移动方式。这可以用来实现不同的卷积操作，例如膨胀卷积和空洞卷积。

结论

步幅和填充是卷积神经网络中非常重要的两个概念。它们可以用来控制卷积的输出形状，并防止卷积核在特征图的边缘处丢失信息。

填充和步幅在实践中有很多应用。它们可以用来减少卷积的输出形状，防止卷积核在特征图的边缘处丢失信息，以及控制卷积核在输入特征图上的移动方式。