pad¶
- paddle.nn.functional. pad ( x, pad, mode='constant', value=0.0, data_format='NCHW', name=None ) [源代码] ¶
该OP依照 pad 和 mode 属性对 x 进行 pad。如果 mode 为 'constant'，并且 pad 的长度为 x 维度的2倍时，则会根据 pad 和 value 对 x 从前面的维度向后依次补齐；否则只会对 x 在除 batch size 和 channel 之外的所有维度进行补齐。如果 mode 为 reflect，则 x 对应维度上的长度必须大于对应的 pad 值。
- 参数：
-
x (Tensor) - Tensor，format可以为
'NCL','NLC','NCHW','NHWC','NCDHW'或'NDHWC'，默认值为'NCHW'，数据类型支持float16, float32, float64, int32, int64。pad (Tensor | List[int] | Tuple[int]) - 填充大小。如果
mode为'constant'，并且pad的长度为x维度的2倍时， 则会根据pad和value对x从前面的维度向后依次补齐；否则：1. 当输入维度为3时，pad的格式为[pad_left, pad_right]； 2. 当输入维度为4时，pad的格式为[pad_left, pad_right, pad_top, pad_bottom]； 3. 当输入维度为5时，pad的格式为[pad_left, pad_right, pad_top, pad_bottom, pad_front, pad_back]。mode (str) - padding的四种模式，分别为
'constant','reflect','replicate'和'circular'。'constant'表示填充常数value；'reflect'表示填充以x边界值为轴的映射；'replicate'表示 填充x边界值；'circular'为循环填充x。具体结果可见以下示例。默认值为'constant'。value (float32) - 以
'constant'模式填充区域时填充的值。默认值为0.0。data_format (str) - 指定
x的format，可为'NCL','NLC','NCHW','NHWC','NCDHW'或'NDHWC'，默认值为'NCHW'。name (str, 可选) - 该参数供开发人员打印调试信息时使用，具体用法请参见 Name ，缺省值为None。
返回： 对 x 进行 'pad' 的结果，数据类型和 x 相同。
返回类型：Tensor
示例：
x = [[[[[1., 2., 3.],
[4., 5., 6.]]]]]
Case 0:
pad = [0, 0, 0, 0, 0, 0, 1, 1, 0, 0],
mode = 'constant'
value = 0
Out = [[[[[0., 0., 0.],
[1., 2., 3.],
[4., 5., 6.],
[0., 0., 0.]]]]]
Case 1:
pad = [2, 2, 1, 1, 0, 0],
mode = 'constant'
pad_value = 0
Out = [[[[[0. 0. 0. 0. 0. 0. 0.]
[0. 0. 1. 2. 3. 0. 0.]
[0. 0. 4. 5. 6. 0. 0.]
[0. 0. 0. 0. 0. 0. 0.]]]]]
Case 2:
pad = [2, 2, 1, 1, 0, 0],
mode = 'reflect'
Out = [[[[[6. 5. 4. 5. 6. 5. 4.]
[3. 2. 1. 2. 3. 2. 1.]
[6. 5. 4. 5. 6. 5. 4.]
[3. 2. 1. 2. 3. 2. 1.]]]]]
Case 3:
pad = [2, 2, 1, 1, 0, 0],
mode = 'replicate'
Out = [[[[[1. 1. 1. 2. 3. 3. 3.]
[1. 1. 1. 2. 3. 3. 3.]
[4. 4. 4. 5. 6. 6. 6.]
[4. 4. 4. 5. 6. 6. 6.]]]]]
Case 4:
pad = [2, 2, 1, 1, 0, 0],
mode = 'circular'
Out = [[[[[5. 6. 4. 5. 6. 4. 5.]
[2. 3. 1. 2. 3. 1. 2.]
[5. 6. 4. 5. 6. 4. 5.]
[2. 3. 1. 2. 3. 1. 2.]]]]]
代码示例：
import numpy as np
import paddle
import paddle.nn.functional as F
# example 1
x_shape = (1, 1, 3)
x = paddle.arange(np.prod(x_shape), dtype="float32").reshape(x_shape) + 1
y = F.pad(x, [0, 0, 0, 0, 2, 3], value=1, mode='constant', data_format="NCL")
print(y)
# [[[1. 1. 1. 2. 3. 1. 1. 1.]]]
# example 2
x_shape = (1, 1, 3)
x = paddle.arange(np.prod(x_shape), dtype="float32").reshape(x_shape) + 1
y = F.pad(x, [2, 3], value=1, mode='constant', data_format="NCL")
print(y)
# [[[1. 1. 1. 2. 3. 1. 1. 1.]]]
# example 3
x_shape = (1, 1, 2, 3)
x = paddle.arange(np.prod(x_shape), dtype="float32").reshape(x_shape) + 1
y = F.pad(x, [1, 2, 1, 1], value=1, mode='circular')
print(y)
# [[[[6. 4. 5. 6. 4. 5.]
# [3. 1. 2. 3. 1. 2.]
# [6. 4. 5. 6. 4. 5.]
# [3. 1. 2. 3. 1. 2.]]]]