pad¶
- paddle.nn.functional. pad ( x, pad, mode='constant', value=0.0, data_format='NCHW', name=None ) [源代码] ¶
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:
当输入维度为 3 时,pad 的格式为[pad_left, pad_right];
当输入维度为 4 时,pad 的格式为[pad_left, pad_right, pad_top, pad_bottom];
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,可选) - 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。value (float,可选) - 以
'constant'
模式填充区域时填充的值。默认值为 \(0.0\)。data_format (str,可选) - 指定
x
的数据格式,可为'NCL'
、'NLC'
、'NCHW'
、'NHWC'
、'NCDHW'
或'NDHWC'
,默认值为'NCHW'
。name (str,可选) - 具体用法请参见 Name,一般无需设置,默认值为 None。
返回¶
Tensor,对 x
进行 'pad'
的结果,数据类型和 x
相同。
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 paddle
import paddle.nn.functional as F
# example 1
x_shape = (1, 1, 3)
x = paddle.arange(paddle.prod(paddle.to_tensor(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(paddle.prod(paddle.to_tensor(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(paddle.prod(paddle.to_tensor(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.]]]]