当跨步大于内核大小时，Tensorflow将使用相同的填充

我遇到了一个奇怪的问题，试图将卷积算子的实现与tensorflow处理相同填充的实现进行比较

根据post，相同的填充计算如下：

//n_i = input size for ith dimension
//k_i = filter size in ith dimension
//s_i = stride in ith dimension
//p_i = total padding in the ith dimension

if((n_i % s_i) == 0)
    p_i = max(k_i - s_i, 0)
else
    p_i = max(k_i - (n_i % s_i), 0)

我正在运行一些随机测试，并通过以下tf（1.4.0）程序缩小了我的实现与tensorflow之间的不匹配：

由于滤波器为1x1，其值为1.0，因此很容易看出使用哪个输入元素来计算输出值：

Expected output is [[[[ 1.0]]]]
TF output is [[[[ 1.1]]]]

将填充更改为“VALID”将得到1.0的预期结果：

Expected output is [[[[ 1.0]]]]
TF output is [[[[ 1.1]]]]

或者，如果将步幅更改为（2x1），我们将得到输出[0]的预期结果：

// output size is now: (2x1)
Expected output is [[[[ 1.0 ]] [[ 1.2]]]]
TF output is [[[[ 1.0 ]] [[ 1.2]]]]

---

猜猜怎么回事？我唯一的想法是，实际的TF实现并没有防止填充计算变为负数，而是使用负数填充调用TF.pad（或类似的东西），结果实际上删除了输入的第一个元素，生成了新的（填充的）输入[0]=1.1.

我不知道这个特定问题的答案（我发现TensorFlow填充非常令人困惑，尽管我编写了一些代码来处理它！），但是这里有一个参考Conv2D实现，可能会有所帮助：

// output size is now: (2x1)
Expected output is [[[[ 1.0 ]] [[ 1.2]]]]
TF output is [[[[ 1.0 ]] [[ 1.2]]]]