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.]]]]

         