（请老师回答）关于padding的same和valid以及降采样图像变为原来一半的疑惑

来源：4-4 VGG-ResNet实战（1）

CrazyCat岩

2018-12-06

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~

写回答

2回答

幕布斯4180522

2019-04-24

问题1：降采样可以使用重叠的pool池化层或者步长大于1的卷积层。在残差学习F(x)的代码中使用步长为2的卷积层来进行降采样，由于padding=same，意思是数据不会丢失，但每次卷积前进2步，因此输出图像大小为输入图像的一般。注：padding为same时表示进行padding来保证数据不丢失，比如输出为32*32，卷积核为3*3，步长为2，则(32-3+1)/2+1=16，括号中的1就是padding增加的。

问题2：在重叠的pool池化层，代码的pooled_x = tf.layers.average_pooling2d()使用池化核(2,2)、步长为2的平均值池化。它不是卷积操作，是池化操作，因此输入为32*32，经过池化后为(32-2)/2+1=16，无论padding为same或valid，输出都是为原来的一半。注：padding为valid意思是不进行padding，不足的直接丢弃。

问题3：在卷积操作中，无论卷积核大小，只要padding为same，步长为2，则输出图像一定是原图像的一般，但是卷积核越大，参数越多，计算量越大，而且不利于特征的提取。

以上均是个人理解，老师在视频中讲的或许有点难以理解，但是都是正确的，多百度就行了。