卷积神经网络中的Padding详解：Valid Padding 和 Same Padding

卷积的'padding'是在输入数据的周围添加额外的值，以便在进行卷积操作时，保持输出的大小与输入相同或者相近。

具体来说，'padding'可以分为两种类型：'valid padding'和'same padding'。

• 'Valid padding'（无填充）：不在输入数据周围添加额外的值，输出的大小会缩小。对于一个输入大小为(n x n)的数据和一个大小为(f x f)的卷积核，应用'valid padding'后的输出大小为(n-f+1) x (n-f+1)。
• 'Same padding'（零填充）：在输入数据周围添加额外的值，使输出的大小保持与输入相同。对于一个输入大小为(n x n)的数据和一个大小为(f x f)的卷积核，应用'same padding'后的输出大小为n x n。

在进行卷积操作时，'padding'可以用来控制输出的大小，以及在边界上的特征是否被保留。常用的'padding'方法是在输入数据周围填充0值，因此也被称为零填充。零填充可以保持输入特征图的大小，同时在边界处提供更多的信息。

通过使用'padding'，可以更好地处理边界特征，并且在网络的后续层中保留更多的信息，有助于提高卷积神经网络的性能。