tensorflow 笔记 16：tf.pad

函数：

tf.compat.v1.pad
tf.pad

函数表达式如下：

tf.pad(    tensor,    paddings,    mode='CONSTANT',    name=None,    constant_values=0)

函数用途：对各个维度进行填充，padding

输入：

　　tensor ：是要填充的张量;　　shape 维度为 : (N1,N2,N3,...)；
　　padings：填充方式，也是一个张量，shape : (n，2), n ：表示需要的pad的tensor的维度个数；
　　mode：有三种取值：分别是"CONSTANT" ,"REFLECT", "SYMMETRIC",对padding 的维度也有限制，如下padded；
　　　 mode="CONSTANT" 是直接填充 constant_values；
　　　 mode = "REFLECT" 是轴对称填充（对称轴为边界列），此时constant_values 无效，用tensor 中的值填充；
mode = "SYMMETRIC" 是轴对称填充（对称轴为边界线），此时 constant_values 无效，用tensor 中的值填充；
　　constant_values：要填充的 value 值，默认为0；

padding shape举个例子：

要求：pad 维度为（n，2） n：为tensor 的维度个数；　

第一组：

input tensor，shape【3，4，5】三维 tensor

padding shape：【3，2】

第二组：

input tensor，shape【3，4，5，6】四维 tensor

padding shape：【4，2】

padding 的每一维度，都有两个数，第一个表示前面添加几维度，第二个表示后面添加几维度；

padded 填充之后的每一维度：

The padded size of each dimension D of the output is:

paddings[D, 0] + tensor.dim_size(D) + paddings[D, 1]

if mode == "REFLECT" or mode == "SYMMETRIC":

paddings[D, 0] + paddings[D, 1] <= tensor.dim_size(D) - 1

举个例子-》填充后的tensor shape：

tensor shape : (3,5,4)

padding = [[1,1],[2,2],[1,0]]

padded shape: （3+1+1，5+2+2，4+1+0）= （5，9，5）

REFLECT：的填充方式使用的是一种通过对称轴进行对称复制的方式进行填充(复制时不包括对称轴，边界的那一列是对称轴)，通过使用tensor边缘作为对称;

SYMMETRIC：的填充方式于REFLECT填充方式类似，也是按照对称轴就是复制的，只是它包括对称轴（边界外的线是对称轴）。

举例一：（来自官方）：

 1 t = tf.constant([[1, 2, 3], [4, 5, 6]]) #shape（2，3）
 2 paddings = tf.constant([[1, 1,], [2, 2]]) # shape（2，2），第一维度，前面补一维度，后面补一维度；第二维度，前面补两维度，后面补两维度；
 3 # 'constant_values' is 0.
 4 # rank of 't' is 2.
 5 tf.pad(t, paddings, "CONSTANT")  # [[0, 0, 0, 0, 0, 0, 0],
 6                                  #  [0, 0, 1, 2, 3, 0, 0],
 7                                  #  [0, 0, 4, 5, 6, 0, 0],
 8                                  #  [0, 0, 0, 0, 0, 0, 0]]
 9
10 tf.pad(t, paddings, "REFLECT")  # [[6, 5, 4, 5, 6, 5, 4],
11                                 #  [3, 2, 1, 2, 3, 2, 1],  # 黄色为对称轴
12                                 #  [6, 5, 4, 5, 6, 5, 4],
13                                 #  [3, 2, 1, 2, 3, 2, 1]]
14
15 tf.pad(t, paddings, "SYMMETRIC")  # [[2, 1, 1, 2, 3, 3, 2],
16                                   #  [2, 1, 1, 2, 3, 3, 2], #
17                                   #  [5, 4, 4, 5, 6, 6, 5],
18                                   #  [5, 4, 4, 5, 6, 6, 5]]

举例二：

import tensorflow as tf
import numpy as npm1 = tf.random_normal([1,2,3,4],mean=0.0,stddev=1.0,dtype=tf.float32)m2 = tf.pad(m1,[[2,0],[0,0],[0,0],[0,0]],constant_values = 1)m2_s = tf.shape(m2) # shape（3，2，3，4）

with tf.Session() as sess:print(sess.run(m1))print(sess.run(m2))print(sess.run(m2_s))

output：

# m1
[[[[-1.8582115  -1.170714   -0.4478178   2.0172668 ][-0.74805504 -0.08016825 -0.7742696  -0.02516617][-0.8256318   0.591446   -0.00889379  1.7998788 ]][[ 0.00565176 -0.31549874  1.5197186   0.07842494][ 0.00609808  1.9219669  -0.42632174  1.5106113 ][ 0.67241013 -0.38563538 -0.976289    0.2032768 ]]]]#m2
[[[[ 1.          1.          1.          1.        ][ 1.          1.          1.          1.        ][ 1.          1.          1.          1.        ]][[ 1.          1.          1.          1.        ][ 1.          1.          1.          1.        ][ 1.          1.          1.          1.        ]]][[[ 1.          1.          1.          1.        ][ 1.          1.          1.          1.        ][ 1.          1.          1.          1.        ]][[ 1.          1.          1.          1.        ][ 1.          1.          1.          1.        ][ 1.          1.          1.          1.        ]]][[[-1.2366703  -1.0050759  -0.3843815   1.0201392 ][-1.3438475   0.8829414  -1.3399163   1.078826  ][-0.09356844  0.35896888  1.5112561   0.28352356]][[ 0.45909956 -0.23824279 -0.31440428  1.1913226 ][-0.40780786  0.58995795 -0.9147027   0.05860058][-0.0659609   1.4536899  -0.12121342 -0.9752257 ]]]]#output shape
[3 2 3 4]

View Code

转载于:https://www.cnblogs.com/lovychen/p/11177336.html

tensorflow 笔记 16：tf.pad相关推荐

tensorflow笔记：tf.argmax()和tf.equal()的使用
原文:https://blog.csdn.net/abc13526222160/article/details/85299901 1.tf.argmax(vector, 1) 返回的是vector中的 ...
『tensorflow笔记』tf.argmax()和tf.equal()的使用
1.tf.argmax(vector, 1) 返回的是vector中的最大值的索引号,如果vector是一个向量,那就返回一个值,如果是一个矩阵,那就返回一个向量,这个向量的每一个维度都是相对应矩阵行 ...
TensorFlow学习笔记(一): tf.Variable() 和tf.get_variable()详解
对于tf.Variable和tf.get_variable,这两个都是在我们训练模型的时候常遇到的函数,我们首先要知道懂得它的语法格式.常用的语法格式的作用以及在实际代码中是如何调用.如何运行的,运行 ...
人工智能实践：TensorFlow笔记学习（八）—— 卷积神经网络实践
大纲 7.1 复现已有的卷积神经网络 7.2 用vgg16实现图片识别目标掌握复现已有网络,用vgg16实现图片识别 7.1 复现已有的卷积神经网络 VGGNet是Karen simonya ...
tensorflow笔记：多层CNN代码分析
tensorflow笔记系列: (一) tensorflow笔记:流程,概念和简单代码注释 (二) tensorflow笔记:多层CNN代码分析 (三) tensorflow笔记:多层LSTM代 ...
tensorflow笔记：流程，概念和简单代码注释
tensorflow是google在2015年开源的深度学习框架,可以很方便的检验算法效果.这两天看了看官方的tutorial,极客学院的文档,以及综合tensorflow的源码,把自己的心得整理了一 ...
人工智能实践：TensorFlow笔记学习（四）—— 神经网络优化
神经网络优化大纲 4.1 损失函数 4.2 学习率 4.3 滑动平均 4.4 正则化 4.5 神经网络搭建八股目标掌握神经网络优化方法 4.1 损失函数神经元模型:用数学公式表示为:,f为激 ...
tensorflow笔记：模型的保存与训练过程可视化
tensorflow笔记系列: (一) tensorflow笔记:流程,概念和简单代码注释 (二) tensorflow笔记:多层CNN代码分析 (三) tensorflow笔记:多层LSTM代 ...
tensorflow笔记：多层LSTM代码分析
tensorflow笔记系列: (一) tensorflow笔记:流程,概念和简单代码注释 (二) tensorflow笔记:多层CNN代码分析 (三) tensorflow笔记:多层LSTM代 ...

tensorflow 笔记 16：tf.pad

tensorflow 笔记 16：tf.pad相关推荐

最新文章

热门文章