卷积神经网络中的填充（Padding）策略与计算
**卷积神经网络中的填充（Padding）策略与计算**
### 1. 问题背景
在卷积神经网络中，卷积层通过滑动滤波器（卷积核）提取特征。但卷积操作会逐渐缩小特征图的尺寸（例如，输入尺寸为 \(n \times n\)，卷积核为 \(k \times k\)，输出尺寸会变为 \((n-k+1) \times (n-k+1)\)）。同时，边缘像素的参与计算次数远少于中心像素，导致信息丢失。
**填充（Padding）** 正是为了解决这两个问题：
1. 保持特征图尺寸不变（避免
2025-11-05 02:45:49
0