Python 填充是否包含用于新高度和新宽度计算公式的数字？

我试图在TensorFlow中建立卷积层。实际上是为了回答下面的测验。他们给了我们实现新高度和新宽度的公式。但我不知道填充的数字是什么，因为我认为padding='SAME'或padding='VALID'不包含数字

新高度=（输入高度-过滤器高度+2*p）/S+1

新宽度=（输入宽度-过滤器宽度+2*p）/S+1

---

相同填充表示输出特征映射的大小与输入特征映射的大小相同（假设步幅为1）。例如，如果输入为Nin，大小为28×28，那么在输出中，您希望得到大小为28×28的所有特征映射

另一方面，VALID填充意味着输出特征映射的大小减小。例如，如果输入为Nin，其大小为28x28，步长为1，过滤器大小为3x3，则输出Nout特征映射将分别为[{（28-3）/1}+1=26]26x26

要推导输出，公式为：

{（输入大小-过滤器大小）/stride}+1

---

因此，从上面的公式中，您可以看到输出特征图的大小与步幅成反比（步幅值越高，输出特征图越小）

可能重复我刚开始检查了这个问题，但我不知道如何回答我的问题。。。

# `tf.nn.conv2d` requires the input be 4D (batch_size, height, width, depth)
# (1, 4, 4, 1)
x = np.array([
    [0, 1, 0.5, 10],
    [2, 2.5, 1, -8],
    [4, 0, 5, 6],
    [15, 1, 2, 3]], dtype=np.float32).reshape((1, 4, 4, 1))
X = tf.constant(x)

def conv2d(input):
# Filter (weights and bias)
# The shape of the filter weight is (height, width, input_depth,    
   output_depth)
# The shape of the filter bias is (output_depth,)
# TODO: Define the filter weights `F_W` and filter bias `F_b`.
# NOTE: Remember to wrap them in `tf.Variable`, they are trainable 
        parameters after all.
F_W = ????
F_b = ????

# TODO: Set the stride for each dimension (batch_size, height, width, depth)
strides = ????
# TODO: set the padding, either 'VALID' or 'SAME'.
padding = ?

# `tf.nn.conv2d` does not include the bias computation so we have to add it   
ourselves after.

return tf.nn.conv2d(input, F_W, strides, padding) + F_b

out = conv2d(X)