卷积层中的填充类型

让我们讨论一下卷积层中的填充及其类型。在卷积层中，我们有内核，为了使最终的过滤器提供更多信息，我们在图像矩阵或任何类型的输入数组中使用填充。我们有以下三种类型的填充。

1. 填充完整：

   让我们假设一个内核作为一个滑动窗口。我们必须提供在输入数组上填充零的解决方案。这是一个非常有名的实现，通过一个简单的示例可以更容易地展示它是如何工作的，将 x 视为过滤器，将 h 视为输入数组。

   x[i] = [6, 2]
   h[i] = [1, 2, 5, 4]

   使用零填充，我们可以计算卷积。

   您必须反转过滤器 x，否则操作将是互相关的。第一步，（现在零填充）：
   

   = 2 * 0 + 6 * 1 = 6

   第二步：
   

   = 2 * 1 + 6 * 2 = 14

   第三步：

   

   = 2 * 2 + 6 * 5 = 34

   第四步：

   

   = 2 * 5 + 6 * 4 = 34

   第五步：

   = 2 * 4 + 6 * 0 = 8

   这种情况下的卷积结果，列出了上述所有步骤，将是：Y = [6 14 34 34 8]

   # importing numpy
   import numpy as np
     
   x = [6, 2]
   h = [1, 2, 5, 4]
     
   y = np.convolve(x, h, "full")
   print(y)  
   

   输出：

   [ 6 14 34 34  8]
   

2. 填充相同：

   在这种类型的填充中，我们只将零附加到数组的左侧和二维输入矩阵的顶部。

   # importing numpy
   import numpy as np
     
   x = [6, 2]
   h = [1, 2, 5, 4]
     
   y = np.convolve(x, h, "same")
   print(y)
   

   输出：

   [ 6 14 34 34]
   

3. 填充有效：

   在这种类型的填充中，随着输出数组的大小减小，我们得到了减小的输出矩阵。我们仅在 h 数组上具有兼容位置时才应用内核，在某些情况下您需要降维。

   # importing numpy
   import numpy as np
     
   x = [6, 2]
   h = [1, 2, 5, 4]
     
   y = np.convolve(x, h, "valid")
   print(y)
   

   输出：

   [14 34 34]