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¶
Tensor, 对 x
进行 'pad'
的结果,数据类型和 x
相同。
返回类型
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.]]]]