Pytorch之torch.nn.functional.pad函数详解
torch.nn.functional.pad是PyTorch内置的矩阵填充函数
(1).torch.nn.functional.pad函数详细描述如下：
torch.nn.functional.pad(input, pad, mode,value )
Args:"""input：四维或者五维的tensor Variabepad：不同Tensor的填充方式1.四维Tensor：传入四元素tuple(pad_l, pad_r, pad_t, pad_b)，指的是（左填充，右填充，上填充，下填充），其数值代表填充次数2.六维Tensor：传入六元素tuple(pleft, pright, ptop, pbottom, pfront, pback)，指的是（左填充，右填充，上填充，下填充，前填充，后填充），其数值代表填充次数mode： ’constant‘, ‘reflect’ or ‘replicate’三种模式，指的是常量，反射，复制三种模式value：填充的数值，在"contant"模式下默认填充0，mode="reflect" or "replicate"时没有 value参数"""
(2).代码演示（举个四维Tensor填充的例子）
1.获取一个shape=(2,1,3,2)的随机数矩阵
import torch
import torch.nn.functional as F
original_values = torch.randn([2,1, 3, 2])
print("original_values: ",original_values,"\n")
print("original_values的shape: ",original_values.shape)
显示结果：
original_values: tensor([[[[ 0.8182, -1.2295],[ 0.1985, 1.2261],[-2.1763, -0.5790]]],[[[ 0.4204, 1.5903],[ 1.6354, -2.7076],[ 0.6119, 1.4595]]]])
original_values的shape: torch.Size([2, 1, 3, 2])
2.进行左填充，pad=(1,0,0,0,0,0)，在第四个维度填充
padding_values = F.pad(original_values, pad=(1,0,0,0,0,0), mode="constant",value=0)
print("padding_values: ",padding_values,"\n")
print("padding_values的shape: ",padding_values.shape)
显示结果1（mode=“constant”）：
在mode="constant"的padding_values: tensor([[[[ 0.0000, 0.8182, -1.2295],[ 0.0000, 0.1985, 1.2261],[ 0.0000, -2.1763, -0.5790]]],[[[ 0.0000, 0.4204, 1.5903],[ 0.0000, 1.6354, -2.7076],[ 0.0000, 0.6119, 1.4595]]]])
padding_values的shape: torch.Size([2, 1, 3, 3])
显示结果二2（mode=“reflect”）:
在mode="reflect"的padding_values: tensor([[[[-1.2295, 0.8182, -1.2295],[ 1.2261, 0.1985, 1.2261],[-0.5790, -2.1763, -0.5790]]],[[[ 1.5903, 0.4204, 1.5903],[-2.7076, 1.6354, -2.7076],[ 1.4595, 0.6119, 1.4595]]]])
padding_values的shape: torch.Size([2, 1, 3, 3])
显示结果三（mode=“replicate”）:
在mode="replicate"的padding_values: tensor([[[[ 0.8182, 0.8182, -1.2295],[ 0.1985, 0.1985, 1.2261],[-2.1763, -2.1763, -0.5790]]],[[[ 0.4204, 0.4204, 1.5903],[ 1.6354, 1.6354, -2.7076],[ 0.6119, 0.6119, 1.4595]]]])
padding_values的shape: torch.Size([2, 1, 3, 3])
3.进行左填充，pad=(2,0,0,0,0,0)，在第四个维度填充
padding_values = F.pad(original_values, pad=(2,0,0,0,0,0), mode="constant",value=0)
print("padding_values: ",padding_values,"\n")
print("padding_values的shape: ",padding_values.shape)
显示结果（mode=“constant”）:
padding_values: tensor([[[[ 0.0000, 0.0000, 0.8182, -1.2295],[ 0.0000, 0.0000, 0.1985, 1.2261],[ 0.0000, 0.0000, -2.1763, -0.5790]]],[[[ 0.0000, 0.0000, 0.4204, 1.5903],[ 0.0000, 0.0000, 1.6354, -2.7076],[ 0.0000, 0.0000, 0.6119, 1.4595]]]])
padding_values的shape: torch.Size([2, 1, 3, 4])
4.进行右填充，pad=(0,1,0,0,0,0)，在第四个维度填充
padding_values = F.pad(original_values, pad=(0,1,0,0,0,0), mode="constant",value=0)
print("padding_values: ",padding_values)
print("padding_values的shape: ",padding_values.shape)
显示结果（mode=“constant”）:
padding_values: tensor([[[[ 0.8182, -1.2295, 0.0000],[ 0.1985, 1.2261, 0.0000],[-2.1763, -0.5790, 0.0000]]],[[[ 0.4204, 1.5903, 0.0000],[ 1.6354, -2.7076, 0.0000],[ 0.6119, 1.4595, 0.0000]]]])
padding_values的shape: torch.Size([2, 1, 3, 3])
5.进行上填充，pad=(0,0,1,0,0,0)，在第三个维度填充
padding_values = F.pad(original_values, pad=(0,0,1,0,0,0), mode="constant",value=0)
print("padding_values: ",padding_values)
print("padding_values的shape: ",padding_values.shape)
显示结果（mode=“constant”）：
padding_values: tensor([[[[ 0.0000, 0.0000],[ 0.8182, -1.2295],[ 0.1985, 1.2261],[-2.1763, -0.5790]]],[[[ 0.0000, 0.0000],[ 0.4204, 1.5903],[ 1.6354, -2.7076],[ 0.6119, 1.4595]]]])
padding_values的shape: torch.Size([2, 1, 4, 2])
6.进行下填充，pad=(0,0,0,1,0,0)，在第三个维度填充
padding_values = F.pad(original_values, pad=(0,0,0,1,0,0), mode="constant",value=0)
print("padding_values: ",padding_values)
print("padding_values的shape: ",padding_values.shape)
显示结果（mode=“constant”）：
padding_values: tensor([[[[ 0.8182, -1.2295],[ 0.1985, 1.2261],[-2.1763, -0.5790],[ 0.0000, 0.0000]]],[[[ 0.4204, 1.5903],[ 1.6354, -2.7076],[ 0.6119, 1.4595],[ 0.0000, 0.0000]]]])
padding_values的shape: torch.Size([2, 1, 4, 2])
7.进行前填充，此时pad=(0,0,0,0,1,0)，在第二个维度上填充
padding_values = F.pad(original_values, pad=(0,0,0,0,1,0), mode="constant",value=0)
print("padding_values: ",padding_values)
print("padding_values的shape: ",padding_values.shape)
显示结果（mode=“constant”）:
padding_values: tensor([[[[ 0.0000, 0.0000],[ 0.0000, 0.0000],[ 0.0000, 0.0000]],[[ 0.8182, -1.2295],[ 0.1985, 1.2261],[-2.1763, -0.5790]]],[[[ 0.0000, 0.0000],[ 0.0000, 0.0000],[ 0.0000, 0.0000]],[[ 0.4204, 1.5903],[ 1.6354, -2.7076],[ 0.6119, 1.4595]]]])
padding_values的shape: torch.Size([2, 2, 3, 2])
8.进行后填充，此时pad=(0,0,0,0,1,0)，在第二个维度上填充
padding_values = F.pad(original_values, pad=(0,0,0,0,0,1), mode="constant",value=0)
print("padding_values: ",padding_values)
print("padding_values的shape: ",padding_values.shape)
显示结果（mode=“constant”）:
padding_values: tensor([[[[ 0.8182, -1.2295],[ 0.1985, 1.2261],[-2.1763, -0.5790]],[[ 0.0000, 0.0000],[ 0.0000, 0.0000],[ 0.0000, 0.0000]]],[[[ 0.4204, 1.5903],[ 1.6354, -2.7076],[ 0.6119, 1.4595]],[[ 0.0000, 0.0000],[ 0.0000, 0.0000],[ 0.0000, 0.0000]]]])
padding_values的shape: torch.Size([2, 2, 3, 2])
Pytorch之torch.nn.functional.pad函数详解相关推荐
- 【pytorch】torch.nn.functional.pad的使用
torch.nn.functional.pad 是对Tensor做padding,输入的参数必须的torch的Tensor 一般地,习惯上会做如下声明 import torch.nn.function ...
- 剖析 | torch.nn.functional.softmax维度详解
写代码,看代码都要心中有数,输入是什么,输出是什么,结果是如何计算出来的. 一维数据: # -*- coding: utf-8 -*- import torch import numpy as np ...
- pytorch笔记：torch.nn.functional.pad
1 torch.nn.functional.pad函数 torch.nn.functional.pad是pytorch内置的tensor扩充函数,便于对数据集图像或中间层特征进行维度扩充 torch. ...
- torch.nn.functional.pad
作用 用来对一个tensor进行填充.最典型的就是图片了,原来是2*2的,现在想要变成3*3的,那么就需要填充,此时有很多选择,例如是在原来的右上进行填充还是左下?又或者是左上?等等. 这个函数就可以 ...
- torch.nn.functional.pad(input, pad, mode=‘constant‘, value=0)
torch.nn.functional.pad(input, pad, mode='constant', value=0) 填充Tensor. 填充大小: 填充input的某些维度的填充大小从最后一个 ...
- mindspore.ops.Pad如何像torch.nn.functional.pad一样可以填充负维度
torch.nn.functional.pad[x,[-1,-1,-1,-1,]]可以填充负维度,而mindspore.ops.Pad 却不能填充负维度. 但是在官网中写的torch.nn.funct ...
- torch.nn.functional.interpolate函数
torch.nn.functional.interpolate实现插值和上采样 torch.nn.functional.interpolate(input, size=None, scale_fact ...
- pytorch中的nn.LSTM模块参数详解
直接去官网查看相关信息挺好的,但是为什么有的时候进不去 官网:https://pytorch.org/docs/stable/nn.html#torch.nn.LSTM 使用示例,在使用中解释参数 单 ...
- torch.nn.functional.unfold 用法解读
torch.nn.Unfold(kernel_size, dilation=1, padding=0, stride=1) 参数 kernel_size,滑动窗口的大小 dilation,和空洞卷积中 ...
最新文章
- JS中for循环里面的闭包问题的原因及解决办法
- C# WinForm 弹出模式窗口操作滚动条
- 干货 | 你还在群发吗？高效查出哪些微信好友删除了你
- 从零开始带你一步一步使用 YOLOv3 测试自己的数据
- java 序列化异常_关于spring：Java序列化异常消息
- 通过BitmapFactory.Options解决activity之间传递图片出现内存溢出（OOM）问题
- ajax修改属性后如何遍历,Ajax遍历jSon后对每一条数据进行相应的修改和删除(代码分享)...
- UVa 10900 - So you want to be a 2n-aire?（期望DP）
- 数据结构 以数组的形式存储数据（c语言 干货满满）
- 华为路由与交换 eSight基本概述学习笔记
- 一个关于var函数计算方差 / 标准差的问题
- 交易所交易规则和费用计算
- Excel 行列转换的最简方法
- QQ空间内容批量删除脚本
- HIVE 系列 （4） hive 内部表和外部表HQL查询统计
- esp8266_deauther将html压缩成字节码
- Oracle R12采购接收流程 PR PO RCV AP Payment
- Android中使用微信H5支付时支付结果刷新问题
- HBase--JavaAPI的操作，创建表修改表，增删改查数据
- 行人检测/人体检测综述