我将举一个例子使其更清楚：

• x：输入形状为[2，3]，1通道的图像
• valid_pad：具有2x2内核，步幅2和有效填充的最大池。
• same_pad：具有2x2内核，跨度2和相同填充的最大池（这是 经典的处理 方式）

输出形状为：

• valid_pad：此处没有填充，因此输出形状为[1，1]
• same_pad：在这里，我们将图像填充为[2，4]形状（使用-inf，然后应用最大池），因此输出形状为[1、2]

x = tf.constant([[1., 2., 3.],
                 [4., 5., 6.]])

x = tf.reshape(x, [1, 2, 3, 1])  # give a shape accepted by tf.nn.max_pool

valid_pad = tf.nn.max_pool(x, [1, 2, 2, 1], [1, 2, 2, 1], padding='VALID')
same_pad = tf.nn.max_pool(x, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')

valid_pad.get_shape() == [1, 1, 1, 1]  # valid_pad is [5.]
same_pad.get_shape() == [1, 1, 2, 1]   # same_pad is  [5., 6.]