如果您的目标只是将过滤器的大小减半，则可以考虑使用填充以外的其他方法，例如扩张卷积。看看这篇论文，了解一些想法和带有图片的很好的解释。只是快速考虑一下您的尺寸，我不确定您是否可以很容易地从 14 变为 7。不过，达到 8 或 5 很简单。

如果您刚开始学习 KEras，那么一件事并不总是显而易见的，那就是您可以直接从 Tensorflow 库中将 Tensorflow 操作与您的 Keras 代码混合使用。

在 TF 中有一个名为 的函数pad，它允许您在张量的每一侧手动指定填充。还有一些选项可以说明填充是否用零完成，或者原始张量中的值是否重复/镜像（使用mode参数）。

您可以尝试使用它来填充图层。我可以向您展示如何填充张量以获得您想要的效果：

from keras.models import Sequential, Model
from keras.layers import (Input, Conv2D, MaxPooling2D, 
                          Flatten, Dense, Reshape, Lambda)
import tensorflow as tf

input_shape = (448, 448, 3)
batch_shape = (None,) + input_shape
raw_input = tf.placeholder(dtype='float16', shape=batch_shape)
paddings = tf.constant([[0, 0],   # the batch size dimension
                        [3, 3],   # top and bottom of image
                        [3, 3],   # left and right
                        [0, 0]])  # the channels dimension

padded_input = tf.pad(raw_input, paddings, mode='CONSTANT',
                      constant_values=0.0)  # pads with 0 by default

padded_shape = padded_input.shape     # (454, 454, 3) because we add 2*3 padding

input_layer = Input(padded_shape, batch_shape, tensor=padded_input)
layer0 = Conv2D(192, kernel_size = (3,3), padding='valid')(input_layer)
layer1 = MaxPooling2D(pool_size=(2, 2), strides = 2)(layer0) 
layer2 = Conv2D(192, kernel_size = (3,3), padding='valid')(layer1)
layer3 = MaxPooling2D(pool_size = (2,2),strides = 2)(layer2)
layer4 = Conv2D(512, kernel_size = (3,3), padding='valid')(layer3)
layer5 = MaxPooling2D(pool_size = (2,2), strides = 2)(layer4)
layer6 = Conv2D(256, kernel_size = (1,1), padding='valid')(layer5)
# layer6.shape --> [Dimension(None), Dimension(55), Dimension(55), Dimension(256)]

layer6_padded = tf.pad(layer6, paddings, mode='CONSTANT')
layer6_output = Input(input_shape=layer6_padded.shape)(layer6_padded)

# This will end up giving this error at compilation:
# RuntimeError: Graph disconnected: ...,

layer7 = Conv2D(1024, kernel_size=(3, 3), strides=2)(layer6_output)
layer8 = Flatten()(layer7)
layer9 = Dense(4096)(layer7)
layer10 = Dense(7*7*30)(layer8)
output_layer = Reshape((7, 7, 30))(layer10)

# The following both fail to get the graph as we would like it
model = Model(inputs=[input_layer], outputs=[output_layer])
#model = Model(inputs=[input_layer, layer6_output], outputs=[output_layer])

model.compile('adam', 'mse')
model.summary()

然后我无法将此张量带回 Keras 模型（作为一个层，这是必需的），因为使用Input对象的标准方式强制它成为计算图的入口点，但我们希望填充张量形成中间层。

如果您不强制填充张量进入 Keras 层，则属性将丢失：

# AttributeError: 'Tensor' object has no attribute '_keras_history'

您可以通过在我们填充之前添加​​层中的属性来破解：

#layer6_output._keras_history = layer6._keras_history

不幸的是，我仍然遇到了其他错误。

如果你能找到任何东西，也许你可以在 StackOverflow 上发布一个新问题，询问如何做到这一点。我确实快速尝试了使用创建两个图表然后加入它们的想法，但没有成功。