在卷积神经网络（CNN）中，填充（padding）是一个重要的概念，用于处理卷积运算中空间大小的变化。填充主要有以下几种类型：

1. 无填充（Valid Padding）：

   • 也称为“狭义卷积”。
   • 不进行任何填充，卷积核只在输入数据的有效区域内操作。
   • 结果是输出特征图的尺寸通常比输入特征图小（具体而言，随着卷积的进行，尺寸会逐渐减少）。
   • 这可以减少神经网络参数以及计算量，但可能导致信息丢失，尤其是对边缘特征。

2. 零填充（Zero Padding）：

   • 在输入数据的边界增加一圈或多圈“0”。
   • 常用于保持输入和输出的特征图大小相同。
   • 通过控制填充的数量，可以精细地控制输出的尺寸大小。
   • 零填充有助于保留边界信息，并在某些情况下可以提高模型的表现。

3. 全填充（Full Padding）：

   • 目的在于输出的卷积结果大小能够扩展到可能的最大尺寸。
   • 输出特征图比输入特征图更大。
   • 虽不常用，但在某些特定模型设计和理论研究中可能会用到。

4. 反射填充（Reflect Padding）：

   • 用输入数据边界的反射部分来进行填充。
   • 例如，填充部分是边界数据的倒数顺序。
   • 在处理图像时，可以减轻边界效应，因为它保留了边界的视觉模式。

5. 重复填充（Replicate Padding）：

   • 用输入数据边界的值进行重复填充。
   • 例如，边界值不断重复，直至填充完成。

6. 镜像填充（Mirror Padding）：

   • 类似于反射填充，但边缘值不重复。
   • 常用于图像处理，效果类似于反射填充。

填充策略的选择取决于具体任务和数据性质。零填充是最常见的，因为它在不改变特征图尺寸的情况下能够保存重要的边界信息。