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 np
                                                                                                                                                                                     
m1 = 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