理工酷

举个例子： x：形状为[2，3]，通道为1的输入图像 valid_pad：具有2x2内核，步长为2和valid填充的最大池化。 same_pad：具有2x2内核，步长为2和same填充的最大池化（这是经典的处理方式）

输出形状为： valid_pad：没有填充，因此输出形状为[1，1] same_pad：将图像填充为[2，4]形状（使用-inf将图像形状填充到[2,4]，然后应用最大池），输出形状为[1,2]

x = tf.constant([[1., 2., 3.],
                 [4., 5., 6.]])

x = tf.reshape(x, [1, 2, 3, 1])  # give a shape accepted by tf.nn.max_pool

valid_pad = tf.nn.max_pool(x, [1, 2, 2, 1], [1, 2, 2, 1], padding='VALID')
same_pad = tf.nn.max_pool(x, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')

valid_pad.get_shape() == [1, 1, 1, 1]  # valid_pad is [5.]
same_pad.get_shape() == [1, 1, 2, 1]   # same_pad is  [5., 6.]

借助下面这组图片可以直观地理解：

padding方式为“valid”时如第一张图所示，滤波器窗口保持在图像内部滑动。

padding方式为“same”时如第三张图所示，输出同输入大小相同。