首先關於padding='same'的理解請參考TensorFlow中CNN的兩種padding方式“SAME”和“VALID”

那麼問題是，在採用padding='same'補零時，補零位置怎樣分配？卷積核kernel的位置又在哪呢（與資料點如何對應）？

太長不看傳送門：結論

（tensorflow version1.11.0）

資料長度為4，卷積核長度為3，步長為1，採用padding='same'補零時：

第一種可能——在資料末尾（或前端）補零，卷積核首位對應資料點

第二種可能——在資料兩端補零，卷積核中心點對應資料點

import tensorflow as tf

inputs = tf.constant([1, 2, 3, 4], tf.float32)
inputs = tf.reshape(inputs, [1, 4, 1])

cnn = tf.layers.conv1d(
    inputs=inputs,
    filters=1,
    kernel_size=3,
    strides=1,
    padding='same',
    kernel_initializer='ones'
)
with tf.Session() as sess:
    tf.global_variables_initializer().run()
    output = sess.run(cnn)
    print(output.reshape(-1))
 

設計一個實驗，資料為[1, 2, 3, 4]， 指定卷積核為[1, 1, 1]

結果是：

3 = 1*0+1*1+1*2，6=1*1+1*2+1*3，9=1*2+1*3+1*4，7=1*3+1*4+1*0

說明是在資料兩端補零，卷積核中心點對應資料點。

資料長度為4，卷積核長度為2，步長為1，採用padding='same'補零時：

第一種可能：在資料末尾補零，卷積核首位對應資料點

第二種可能：在資料前端補零，卷積核末位對應資料點

import tensorflow as tf

inputs = tf.constant([1, 2, 3, 4], tf.float32)
inputs = tf.reshape(inputs, [1, 4, 1])

cnn = tf.layers.conv1d(
    inputs=inputs,
    filters=1,
    kernel_size=2,
    strides=1,
    padding='same',
    kernel_initializer='ones'
)
with tf.Session() as sess:
    tf.global_variables_initializer().run()
    output = sess.run(cnn)
    print(output.reshape(-1))
 

設計一個實驗，資料為[1, 2, 3, 4]， 指定卷積核為[1, 1]

結果是：

3=1*1+1*2，5=1*2+1*3，7=1*3+1*4，4=1*4+1*0

說明是在資料末尾補零，卷積核首位對應資料點。

！！！但是在實際中，情況更為複雜，請參考下面的結論：

結論

Tensorflow使用這種方式，可以最大程度地使卷積核中心點對應資料點。