卷积运算中，在stride>1时，关于conv2d的padding的问题。

[KoapT]

查看了作者的代码，在stride>1的时候，是先对input进行padding，然后在tf.nn.conv2d中使用padding='VALID'的方式进行卷积。 请问为什么不直接使用tf.nn.conv2d中padding='SAME'的padding方式进行呢？似乎两种方式的效果差别不会很大，仅仅是填充的位置稍微改变。 是因为darknet作者用的前一种方式吗？

[KoapT]

@YunYang1994

[DavidLeon777]

我也想了很久，自己试了一下，用作者的代码训练到test_loss不降后，在stride>1的代码部分，改成SAME的机制。loss几乎没有上升或变化，感觉差不多。不知道是不是实际工程使用的问题。使用3×3卷积，input边是奇数时，这两种没区别，但是边是偶数是，就是位置的稍微改变了。

[KoapT]

我也想了很久，自己试了一下，用作者的代码训练到test_loss不降后，在stride>1的代码部分，改成SAME的机制。loss几乎没有上升或变化，感觉差不多。不知道是不是实际工程使用的问题。使用3×3卷积，input边是奇数时，这两种没区别，但是边是偶数是，就是位置的稍微改变了。

后来我考虑了一下。其实都只是提取特征的方式而已，只要训练和推理所用的方法是一致的，任选其一即可，不用纠结于此。 这里的作者这样写，应该是沿袭了darknet原版作者的写法。

[ylqi007]

@KoapT 根据 outputSize = (W - F + 2P)/S + 1 这个公式，我觉得添加 padding 只不过是为了让 outputSize 是 inputSize 的 1/2，从而实现 downsample，这种方式进行 conv 的时候，stride = 2。 如果先进行 SAME padding 的卷积，再 2x2 的 down size pooling，outputSize 也可以是 inputSize 的 1/2，但是这时候 stride = 1。 两者或有差别，我没试过，不清楚。 @DavidLeon777 不知道你改成 SAME 的时候，有没有进行 2x2 的 downsample？

[KoapT]

@KoapT 根据 outputSize = (W - F + 2P)/S + 1 这个公式，我觉得添加 padding 只不过是为了让 outputSize 是 inputSize 的 1/2，从而实现 downsample，这种方式进行 conv 的时候，stride = 2。 如果先进行 SAME padding 的卷积，再 2x2 的 down size pooling，outputSize 也可以是 inputSize 的 1/2，但是这时候 stride = 1。 两者或有差别，我没试过，不清楚。 @DavidLeon777 不知道你改成 SAME 的时候，有没有进行 2x2 的 downsample？

额。。。stride=2，padding='SAME'就是2倍下采样了，作者代码只是在stride=2的时候选择了手动padding而没有用tf的默认padding方式。两者区别很小，做实验试试就可以看到，这个问题其实没必要讨论了。 这跟你说的pool下采样没关系哈。。