1. 論Conv2d()裡的padding和Conv2d()前padding的區別及重要性。

　　  小生建議，儘量少用Conv2d()裡的填充方式，換成自定義填充方式（強烈建議）。

　　  小生為何這樣建議了，是因為小生以前就常使用Conv2d()裡的padding方式，覺得這樣使用簡單、不麻煩（O(∩_∩)O哈哈~ 感覺當時好憨喲！）。可是在某一次實驗中，得到的效果圖在邊緣位置十分不理想，我想啊想，想啊想，影象邊緣位置我只做過零填充，當時就引起了我的注意，然後通過做對比實驗，發現問題還真是由零填充導致的，太開心了(*^▽^*)，實驗又有突破了。這次不在卷積時做零填充，換成卷積前做重複填充。什麼是重複填充了？就是複製邊緣的畫素來填充。

　　Conv2d()裡的padding，採用的是零填充，即在影象畫素周圍填充零畫素點，這樣做的壞處是很可能在邊緣處產生偽影。還有一點就是Pytorch中Conv2d()卷積，當卷積核的尺寸是偶數時，不好做‘same’方式卷積，因為Conv2d()在填充時，上邊緣與下邊緣填充數是一樣的，很難改變。

　　Conv2d()前的padding，可以根據自己的需求填充，目前有四種填充方式，① 零填充；② 常數填充；③ 映象填充；④ 重複填充；這種方式比較靈活，也很簡單，客觀可以根據自己的需求來選擇使用，四種填充方式，可檢視小生的另一篇博文。

　　小生就不多言了，上案列，客官請下觀~~。

2. 例子

2.1 Conv2d()零填充

2.1.1 Code

　　小生在這裡給了程式碼片段，這裡就是想告訴客官怎麼做卷積前的填充。

# 讀取圖片
image1_path = "./fusion_datasets/lytro-01-A.jpg"
image1 = Image.open(image1_path)

# 歸一化處理和轉為tensor
input_transform = transforms.Compose([
    transforms.Grayscale(1),
    transforms.ToTensor(),
])

image1_tensor = input_transform(image1).unsqueeze(0)

# 卷積
conv2 = nn.Conv2d(1, 3, 8，padding = 4)
image1_conv = conv2(image1_pad)

2.1.2 結果顯示

　　客官勿怪，此圖是我的實驗，過程中的圖，還沒做到最好的效果，O(∩_∩)O哈哈~，有點不好意思了，捂臉(*/ω＼*)！客官請看邊緣處，是不是很多白點，這都是零填充導致的效果不好，將這張圖和自定義填充之邊緣填充的圖對照。

2.2 自定義填充之邊緣複製填充

2.2.1 Code

　　  小生在這裡給了程式碼片段，這裡就是想告訴客官怎麼做卷積前的填充。

# 讀取圖片
image1_path = "./fusion_datasets/lytro-01-A.jpg"
image1 = Image.open(image1_path)

# 歸一化處理和轉為tensor
input_transform = transforms.Compose([
    transforms.Grayscale(1),
    transforms.ToTensor(),
])

image1_tensor = input_transform(image1).unsqueeze(0)

# 自定義填充之邊緣複製填充
ReplicationPad = nn.ReplicationPad2d(padding=(3, 4, 3, 4))
image1_pad = ReplicationPad(image1_tensor)

# 卷積
conv2 = nn.Conv2d(1, 3, 8)
image1_conv = conv2(image1_pad)

2.2.2 結果顯示

　　此圖與上圖對照，邊緣的白點基本沒有了，嘿嘿(*^▽^*)，好開心(*^▽^*)！

3. 總結

　　努力去愛周圍的每一個人，付出，不一定有收穫，但是不付出就一定沒有收穫！ 給街頭賣藝的人零錢，不和深夜還在擺攤的小販討價還價。願我的部落格對你有所幫助(*^▽^*)(*^▽^*)！

　　如果客官喜歡小生的園子，記得關注小生喲，小生會持續更新(#^.^#)(#^.^#)！

&n