Same卷积

Same卷积

来自：AlexNet网络（2012年提出）

原文链接：https://blog.csdn.net/seasonsyy/article/details/132640381

图像的尺寸不发生改变，而提取的特征却在增多。

Same卷积：

本质上仍是一种普通卷积，计算公式仍然是
$$output=[(input-filterSize+2\ast padding)/stride]+1$$
好处：没有在卷积之后缩小图像尺寸，也没有放过原图像中任何一个信息进行卷积，所以提取出的特征图会更加完整。

启发：当构建属于自己的网络的卷积神经网络的时候，在合适的时候采取Same卷积方法，可能会带来很好的性能，且代码十分简单，只需要按照Same卷积的要求设置响应的参数即可。

# 利用nn包构建采用Same卷积的卷积层
self.conv1=nn.Sequential(
 nn.Conv2d
 (
     in_channels=1,
     out_channels=6,
     kernel_size=3,
     stride=1,  # 步长一定要设置为1
     padding=1 # padding设置成1就实现了加边界
 ),
 nn.ReLU(),
 nn.MaxPool2d(kernel_size=2)
)

参考文献：
《Python神经网络 入门与实践》 王凯 编著
出版社：北京大学出版社
ISBN： 9787301316290