在tf.nn.conv2d函数中，padding可以选择VALID和SAME两种模式，两种模式得到的卷积输出尺寸计算方式不同。
- 输入尺寸高和宽：in_height、in_width
- 卷积核的高和宽：filter_height、filter_width
- 输出尺寸高和宽：output_height、output_width
- 步长移动高和宽：strides_height、strides_width
1、当padding=VALID
输出宽和高计算公式为：
output_height=(in_height-filter_height+1)/strides_height（结果向上取整）
output_width=(in_width-filter_width+1)/strides_width（结果向上取整）
2、当padding=SAME
此时需要进行补零
output_height=in_height/strides_height（结果向上取整）
output_width=in_width/strides_width（结果向上取整）
补零的参数
pad_height = max((out_height - 1) x strides_height + filter_height - in_height, 0)（高度方向填充0的行数）
pad_width = max((out_width - 1) x strides_width + filter_width - in_width, 0)（宽度方向填充0的列数）
pad_top = pad_height / 2（上方向填充0的行数，向下取整）
pad_bottom = pad_height - pad_top（下方向填充0的行数）
pad_left = pad_width / 2（左方向填充0的列数，向下取整）
pad_right = pad_width - pad_left（右方向填充0的列数）
3、举例
输入为13x1的一维矩阵，filter为6x1，步长为5
当padding=VALID
output_width=(13-6+1)/5=2（向上取整）
所以计算时舍弃了最后两个值
当padding=SAME
output_width=13/5=3（向上取整）
pad_width = max((3 - 1) x 5 + 6 - 13, 1) = 3
pad_left = pad_width / 2 = 3 / 2 = 1 （向下取整）
pad_right = pad_width - pad_left = 2
所以左边补一个0，右边补两个0