• 本文目录导读：
• 1、vaild padding
• 2、same padding
• 3、研究生两种学习方式

在深度学习领域中，卷积神经网络（Convolutional Neural Network，简称CNN）是一种非常流行的模型。而在使用CNN时，我们通常需要使用padding技术来处理输入数据边缘处信息丢失的问题。TFkeras提供了两种主要的padding方式：vaild和same。

那么什么是padding呢？在卷积过程中，我们使用一个固定大小的卷积核对输入进行滑动操作，并将每个位置上滑动窗口内部分相加作为输出。但由于边缘处像素点无法完全被覆盖到滑动窗口内部，在没有任何处理时会导致输出尺寸变小以及信息丢失等问题。因此，在这些情况下就需要用到padding技术。

vaild padding

vaild padding就是不做任何填充操作。它只对完整地参与了计算的像素点进行运算，并保留所有能够完全参与计算过程中产生出来的特征图像素点（即不越界）。由于没有进行填充操作，所以最后产生出来特征图尺寸比原始输入图片要小。

使用vaild padding时，卷积核的中心点只能在输入图片的中心区域进行滑动。如果卷积核越过了边缘，就会导致该像素点无法参与计算，并且输出特征图也不会包含它。因此，在使用vaild padding时需要注意输入图片尺寸和卷积核大小之间的关系。

same padding

same padding是将输入数据边缘进行填充操作以保留更多信息。填充操作可以是在边缘上添加0值像素或者反射对称等方式来完成。这种方式可以使得输出特征图和原始输入图像具有相同的尺寸。

当使用same padding时，我们需要根据卷积核大小以及步长确定需要添加多少个0值像素或者其他类型的填充方式来完成padding操作。

研究生两种学习方式

除了padding技术外，我们还需要探讨一下研究生在深度学习领域中可能采用到的两种学习方式：自主学习和指导式学习。

自主学习即通过阅读相关文献、查找资料、自己动手实践等方法来逐渐掌握深度学习知识并提高技能水平。这种方法可能比较缓慢，需要自己花费大量时间和精力去摸索。

指导式学习则是通过参加课程、听老师讲解、完成作业等方式来快速掌握深度学习知识。这种方法可以节省很多时间，同时还可以获得更好的教育资源和指导。

无论采用哪种学习方式，都需要具备良好的自我驱动能力和持续不断的学习意愿。同时，在实际应用中也需要结合具体情况来选择最适合自己的padding方式以及其他相关技术手段。

在深度学习领域中使用padding技术可以有效避免输入数据边缘信息丢失问题。TFkeras提供了两种主要的padding方式：vaild和same，分别适用于不同的场景需求。

在研究生阶段掌握深度学习知识时，我们可能会采用到两种不同的学习方式：自主学习和指导式学习。无论采取哪种方式，都需要保持持续不断地积极进取心态，并根据具体情况选择最适合自己的技术手段来解决实际问题。