在构建CNN（卷积神经网络）时，TensorFlow提供了一个核心API来调用卷积核，其中包含填充方式参数。调用函数定义如下：defconv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,data_format=None,name=None)源码中说明了padding参数可以使用“SAME”或“VALID”两种方式。“SAME”填充方式在输出形状计算公式中体现为比“VALID”多出一列。例如，对于一个2x3矩阵，使用2x2窗口进行最大池化，步长为2，“SAME”填充方式会增加第四列以保持2x2窗口，通常使用0填充。在文本应用中，通常使用“VALID”填充方式，卷积核大小为n×k，n为输入向量维度，k为输入向量的维度。这类似于统计语言模型中的N-gram。设置网络结构时，输入输出形状计算公式如下，其中dilation_rate默认为1，不考虑其他参数：对于“VALID”，输出形状计算公式为...了解了“SAME”与“VALID”的区别后，我们可以通过运行tf.nn.conv2d示例来深入理解strides和padding的效果。在示例中，详细解释了如何使用tf.nn.conv2d的基本参数，这些规范同样适用于其他CNN语句。例如，运行结果展示了...总之，正确理解padding参数对CNN的影响，对于构建有效模型至关重要。通过实验和实际应用，您可以更好地掌握如何选择合适的填充方式，以优化模型性能。