什么是'SAME'和'VALID'填充之间的区别在tf.nn.max_pool的tenorflow？
在我看来，“VALID”意味着在执行max pool时，边缘外不会有零填充。
如果你喜欢ascii艺术：
>
“有效”=无填充：
inputs: 1 2 3 4 5 6 7 8 9 10 11 (12 13)
|________________| dropped
|_________________|
“相同”=零填充：
pad| |pad
inputs: 0 |1 2 3 4 5 6 7 8 9 10 11 12 13|0 0
|________________|
|_________________|
|________________|
在这个例子中：
笔记：
“VALID”只删除最右边的列（或最下面的行） “SAME”尝试左右均匀填充，但如果要添加的列数为奇数，则会将额外的列添加到右侧，如本例所示（相同的逻辑垂直应用：底部可能有额外的一行零）关于姓名：
“SAME”填充，如果使用1的步幅，层的输出将具有与其输入相同的空间尺寸 “VALID”填充时，没有“虚构”的填充输入。图层仅使用有效的输入数据
当stride为1时（卷积比池更典型），我们可以考虑以下区别：
"SAME"：输出大小与输入大小相同。这需要过滤器窗口滑出输入映射，因此需要垫。"VALID"：过滤器窗口停留在输入映射内的有效位置，因此输出大小缩小filter_size-1。没有填充发生。
我举个例子让它更清楚：
x：输入形状的图像[2,3]，1通道valid_pad：带2x2内核、步幅2和VALID填充的最大池。
same_pad：最大池与2x2内核，步幅2和SAME填充（这是经典的方式去）输出形状为：
valid\u pad：此处没有填充，因此输出形状为[1,1]x = tf.constant([[1., 2., 3.],
[4., 5., 6.]])
x = tf.reshape(x, [1, 2, 3, 1]) # give a shape accepted by tf.nn.max_pool
valid_pad = tf.nn.max_pool(x, [1, 2, 2, 1], [1, 2, 2, 1], padding='VALID')
same_pad = tf.nn.max_pool(x, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')
valid_pad.get_shape() == [1, 1, 1, 1] # valid_pad is [5.]
same_pad.get_shape() == [1, 1, 2, 1] # same_pad is [5., 6.]
