tensorflow中的两种PADDING形式，效果图如下:
用一个3x3的网格在一个28x28的图像上做切片并移动
移动到边缘上的时候，如果不超出边缘，3x3的中心就到不了边界
因此得到的内容就会缺乏边界的一圈像素点，只能得到26x26的结果
而可以越过边界的情况下，就可以让3x3的中心到达边界的像素点
超出部分的矩阵补零
根据tensorflow中的conv2d函数，我们先定义几个基本符号
1、输入矩阵 W(old_height)×W(old_width)，这里只考虑输入宽高相等的情况，如果不相等，推导方法一样，不多解释。
2、filter矩阵 F×F，卷积核
3、stride值 S，步长
4、输出宽高为 new_height、new_width
当然还有其他的一些具体的参数，这里就不再说明了。
我们知道，padding的方式在tensorflow里分两种，一种是VALID，一种是SAME，下面分别介绍这两种方式的实际操作方法。
1、如果padding = ‘VALID’
new_height = new_width = (W – F + 1) / S （结果向上取整）
实际的操作如下图所示，对于不够一个步长的像素，会直接丢弃。
"VALD": (13-6+1)/5 =1.6取整为2，与图示一致。“SAME“：13/5=2.6 取整为3，与图示一致。
2、如果padding = ‘SAME’
(SAME的效果是当stride=1时，保持输入输出的形状不变，stride=n(n!=1)时，通过如下的公式计算，自动补充需要的padding值，使输出的map最终的形状=W/S）
输出的高度：new_height = W(old_height) / S （结果向上取整）
高度上需要pad的像素总数：
pad_needed_height = (new_height – 1) × S + F - W
上方添加的像素数为： pad_top = pad_needed_height / 2 （结果取整）
下方添加的像素数为： pad_down = pad_needed_height - pad_top
以此类推，在宽度上需要pad的像素数和左右分别添加的像素数为:
输出宽度：new_width = W(old_width) / S （结果向上取整）
宽度上需要添加的像素总数：pad_needed_width = (new_width – 1) × S + F - W
左边添加的像素数：pad_left = pad_needed_width / 2 （结果取整）
右边添加的像素数：pad_right = pad_needed_width – pad_left
下面是关于此操作的源码（Get2dOutputSizeVerbose函数的部分节选)，以供参考
参考：http://www.jianshu.com/p/05c4f1621c7e
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
