0. 前言

作為最基礎的卷積層——CNN，我們應當對他最為熟悉。但是在實現的時候，忽然發現對於其第一步驟，就有困惑的地方，那就是padding，也就是補0策略。

在Keras中，卷積層的定義是如下：

keras.layers.convolutional.Conv1D(filters, kernel_size, strides=1, padding='valid', dilation_rate=1, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros'
 
, kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

可以看到padding是一個引數，它有可選值，根據官方文件說明，它總共包含3種可選值：’valid’,’same’和‘casual’.那麼這每個意思也進行了描述，但是具體如何操作呢？

“valid”代表只進行有效的卷積，即對邊界資料不處理。這個是非常容易理解的，即不進行補0，能有多少卷積就有多少卷積，但是會拋棄一些資料，而且每次總是最後的數字被拋棄。這也可能造成右邊界資料沒有顧忌到的缺陷。

例如，一個序列有13長，我們的kernel_size為6，步長為5，那麼採用valid的補0策略的卷積後的大小為2，即

“same”代表進行補0卷積，但是它的補0也是有上限的，它的第一步卷積補0為kernel_size-strides，然後到最後剩多少補多少0，如果採用same補0策略的卷積，那麼上面例子中的卷積後大小為3，即

“casual”則是代表具有時序關係的卷積，即output[t]不依賴於input[t+1：]。當對不能違反時間順序的時序訊號建模時有用。一般不使用這種。