padding对于conv2d_transpose是什么意思？

• ''**表示简单地将输入形状乘以步幅。例如，如果输入形状的高度和宽度为7，而conv2d_transpose的padding=same和strides=3，则输出形状的高度和宽度为7 x3 = 21。
• 'VALID'**几乎相同。从'SAME'开始，然后检查kernel_size与步幅的比较。如果它更大，然后将该量添加到高度和宽度。为什么？因为当内核在图像上移动进行卷积时（每次步幅）最后一个内核将通过差值挂在图像上。想象一下上面的例子，高度和宽度为7作为输入，这次padding=valid，strides=3，并且内核=5。输出的高度和宽度将是7 x3+（5-3）。

在这两种情况下，如果内核小于步幅，你只会在输出中得到一大堆零。为什么？考虑一下步幅的作用。
对于给定的stride值，输入图像会增加很多倍。stride为3会使输入图像的宽度和高度增加3倍。原始值占据每3个位置，其余的填充为零！对于padding=valid，有我们之前讨论过的额外内容。
kernel_size是卷积核的大小，它在图像上以步幅移动。所以，如果kernel_size为1，步幅为3，那么你的输出大部分是零。

示例#

>>> conv2d_tr = tf.keras.layers.Conv2DTranspose(5,kernel_size=3,padding='same',strides=2)
>>> conv2d_tr(np.zeros([3,2,2,4],dtype=np.float32)).numpy().shape

(3, 4, 4, 5)

示例VALID（内核大于strides）

>>> conv2d_tr = tf.keras.layers.Conv2DTranspose(5,kernel_size=3,padding='valid',strides=2)
>>> conv2d_tr(np.zeros([3,10,10,4],dtype=np.float32)).numpy().shape

(3, 21, 21, 5)

示例VALID（内核等于或小于stride）

>>> conv2d_tr = tf.keras.layers.Conv2DTranspose(5,kernel_size=2,padding='valid',strides=2)
>>> conv2d_tr(np.zeros([3,2,2,4],dtype=np.float32)).numpy().shape

(3, 20, 20, 5)

小内核的ZEROS示例

>>> conv2d_tr = tf.keras.layers.Conv2DTranspose(1,kernel_size=1,padding='same',strides=2)
>>> conv2d_tr(np.ones([1,2,2,3],dtype=np.float32)).numpy().shape
(1, 4, 4, 1)

>>> conv2d_tr(np.ones([1,2,2,3],dtype=np.float32)).numpy()

array([[[[0.702],[0.   ],[0.702],[0.   ]],
        [[0.   ],[0.   ],[0.   ],[0.   ]],
        [[0.702],[0.   ],[0.702],[0.   ]],
        [[0.   ],[0.   ],[0.   ],[0.   ]]]], dtype=float32)