패딩과 스트라이드

합성곱 출력 크기

• 출력 채널 수는 Conv2D의 filters와 같음
• 출력 높이와 너비는 커널 크기, 패딩, 스트라이드에 따라 결정
• 피처 맵의 공간 크기가 항상 감소하는 것은 아님

팽창 합성곱을 사용하지 않을 때 한 축의 출력 크기는 다음과 같음.

• $I$: 입력 크기
• $K$: 커널 크기
• $P$: 한쪽에 추가한 패딩 크기
• $S$: 스트라이드
• $O$: 출력 크기

패딩 padding

• 유효 패딩(valid padding): 패딩을 추가하지 않으므로 커널 크기에 따라 출력이 작아짐
• 세임 패딩(same padding): Keras가 0을 자동으로 추가하며, 스트라이드가 1이면 입력과 출력의 공간 크기가 같음
• 풀 패딩(full padding): 한쪽에 $K-1$만큼 패딩해 모든 겹침을 계산하는 신호 처리 방식
• Keras Conv2D의 padding 인자는 "valid"와 "same"을 직접 지원
• 풀 패딩이 필요하면 ZeroPadding2D 등으로 패딩을 명시적으로 추가

스트라이드 stride

• 스트라이드는 필터가 한 번 계산한 뒤 이동하는 간격
• 스트라이드가 커지면 필터를 적용하는 위치가 줄어 출력 공간 크기도 작아짐
• 풀링 대신 스트라이드가 큰 합성곱으로 다운샘플링하기도 함

Keras 실습

같은 3×3 필터 32개를 사용하고 패딩과 스트라이드만 변경해 공간 크기를 비교.

import os
os.environ["KERAS_BACKEND"] = "torch"

import keras

keras.utils.set_random_seed(812)  # 레이어 가중치 초기값 재현

sample = keras.ops.zeros((1, 28, 28, 1))  # 흑백 이미지 1장의 배치

tuple(
    keras.layers.Conv2D(
        32, (3, 3), padding="valid"  # 3×3 필터 32개
    )(sample).shape
)  # valid 출력 형태

(1, 26, 26, 32)

tuple(
    keras.layers.Conv2D(
        32, (3, 3), padding="same"  # 공간 크기 유지
    )(sample).shape
)  # same 출력 형태

(1, 28, 28, 32)

tuple(
    keras.layers.Conv2D(
        32, (3, 3), strides=(2, 2)  # 두 칸씩 이동
    )(sample).shape
)  # 스트라이드 2 출력 형태

(1, 13, 13, 32)

• valid: 패딩이 없어 28×28에서 26×26으로 감소
• same: 스트라이드가 1이므로 28×28 유지
• stride_2: 두 칸씩 이동해 13×13으로 감소
• 세 결과의 마지막 차원은 필터 수와 같은 32