我对Tensorflow中的SAME填充的理解是添加了填充，使得输出尺寸（宽度和高度）与输入尺寸相同。但是，这种理解只有在stride = 1时才有意义，因为如果stride> 1，那么输出尺寸几乎肯定会更低。
所以我想知道在这种情况下计算填充的算法是什么。是否只是添加了填充，以便过滤器应用于每个输入值，而不是在右边留下一些？
答案 0 :(得分：5)
有一个公式：
n'= floor（（n + 2 * p-f）/ s + 1）
其中n'是输出大小，n是输入大小，p是填充，f是过滤器大小，s是步幅。
如果您使用带有步幅的SAME填充＆gt; 1，p将是可被s整除的最小数（n + 2 * p-f）。注意：p可以是十进制的，因为它将在图像的两边进行平均。
答案 1 :(得分：3)
Peter 的回答是正确的，但可能缺少一些细节。让我在上面加上。
Autopadding = SAME 表示：o = ceil(i/s)，其中 o = 输出大小，i = 输入大小，s = 步幅。
另外，通用的输出大小公式是：
o = floor( (i + p - k) / s) + 1
其中新项是 p（填充）和 k，即有效内核大小 （包括扩张，如果禁用扩张，则仅包括内核大小）。
如果您开发该公式来求解 p，您将得到：
p_min = (o-1) s - i + k # i.e., when the floor is removed from the previous equation
p_max = o s - i + k - 1 # i.e., when the numerator of the floor % s is s-1
[p_min, p_max] 范围内的任何填充值 p 都将满足条件 o = ceil(i/s)，这意味着对于步长 s，有 s 个满足公式的总解。
使用 p_min 作为填充是常态，因此您可以忽略所有其他 s-1 解决方案。
PS：这将适用于 1D，但对于 nD，只需为每个维度独立重复这些公式，即，
p_min[dimension_index] = (o[dimension_index]-1)s[dimension_index] - i[dimension_index] + k[dimension_index]
作为参考，这两个链接非常有用：