首先，tensorflow中包含的卷积操作是什么？
3359 tensor flow.Google.cn/API _ docs/python/TF/nn/conv 2d
TF.nn.conv2d(input，filter，strides，padding，use_cudnn_on_gpu=True，data_format='NHWC '， dilationg实际上它是固定你的input的格式，NHWC在与你的输入数据的维度对应时[batch_size，Heigth，Width，Channel]，NCHW是[ batch _ sision ]
实际上，strides中的参数和这个data_format是一一对应的。 什么意思？ 也就是说，采用NHWC方式和strides=[a，b，c，d]时，计算卷积核迁移过程会怎么样呢？ 那个在batch的维度上按照step=a的大小进行移动计算。 同样，在每个HWC维度上移动的step是b c d。 这里a，d的值为1，因为必须分别计算batch和channel。 b c的值可以根据情况变化，他们的值与输出的feature map的维度直接相关。
让我们看一下padding=same和valid这两个参数的计算方法。 参考： https://www.Jian Shu.com/p/05c4f 1621 c7e
假设输入的图像大小为W*H
kernel size的大小为k_h*k_w
将h方向的stride设为h，将w方向的stride设为w
请求出新输出的特征图的大小，n_h和n_w
在valid模式下，他只修改原始图
于是，n_h=(h-k_h )/h向上舍入加1； n_w=(w-k_w )/h向上舍入加1；
在SAME模式下，他会在填充时自动补0。
那么什么是必要的时候呢？ 这首先要根据公式n_h=H/h进行舍入和n_w=W/w进行舍入，得到最终的输出n_h和n_w，并根据需要将输出的n_h和n_w反向按压到它们的地方，需要补充0。
在h方向上pad_need_H=(n_h -1 ) * h K_h - H
矩阵中每行上方需要添加的像素数如下：
pad_need_H/2整形
矩阵每行下需要添加的像素数为
pad_need_H -pad_need_H/2
同样在w方向上
源代码如下所示。
例如，输入feature map为4*4，kernel size为1*1，strides 1，1，1
需要补充的图则如下
在这里画斜线是填充的0
输入的feature map为2*5 kernel size为2*2，strides为【1，2，1，1】
需要填充的图如下
最后一列是必须填充的0值，最后输出的feature map为1*5
原文： https://blog.csdn.net/Tian dd12/article/details/80271050