在構建CNN（卷積神經網絡）時，TensorFlow提供了一個核心API來調用卷積核，其中包含填充方式參數。調用函數定義如下：def conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)源碼中說明了padding參數可以使用“SAME”或“VALID”兩種方式。“SAME”填充方式在輸出形狀計算公式中體現為比“VALID”多出一列。例如，對于一個2x3矩陣，使用2x2窗口進行最大池化，步長為2，“SAME”填充方式會增加第四列以保持2x2窗口，通常使用0填充。在文本應用中，通常使用“VALID”填充方式，卷積核大小為n×k，n為輸入向量維度，k為輸入向量的維度。這類似于統計語言模型中的N-gram。設置網絡結構時，輸入輸出形狀計算公式如下，其中dilation_rate默認為1，不考慮其他參數：對于“VALID”，輸出形狀計算公式為...了解了“SAME”與“VALID”的區別后，我們可以通過運行tf.nn.conv2d示例來深入理解strides和padding的效果。在示例中，詳細解釋了如何使用tf.nn.conv2d的基本參數，這些規范同樣適用于其他CNN語句。例如，運行結果展示了...總之，正確理解padding參數對CNN的影響，對于構建有效模型至關重要。通過實驗和實際應用，您可以更好地掌握如何選擇合適的填充方式，以優化模型性能。