深度学习技巧之Padding

卷积神经网络是深度学习中处理图像的利器。在卷积神经网络中，Padding是一种非常常见的操作。本片博客将简要介绍Padding的原理。

首先，我们看一下正常的卷积操作：

如上图所示，左图是一个5×5的图像（绿色），我们使用一个3×3的卷积核（kernal，或者是滤波器，filter）进行卷积操作（黄色），最终可以得到一个3×3的结果（右边的红色图像）。

使用卷积操作处理图像带来了两个问题：首先是图像由原来的5×5的矩阵变成了3×3的结果，这使得输入的图像缩小（shrink）了。在一个大型的卷积神经网络中，如果一个图像经过了几百次的卷积操作，那么会使得图片缩小的很厉害。其次，可以看到，这种扫描方式会使得边缘角落的像素被扫到的次数少于中间的像素。例如，左上角第一个像素1，自始至终只会被扫描到1次，而最中间的1会被扫描到9次。这种操作会使我们都是图片的边缘信息。

为了缓解上述问题，我们会对图片做填充操作（padding）。即在图片边缘加一条边。