tensorflow 筆記 16：tf.pad

函數：

• tf.compat.v1.pad
• tf.pad

函數表達式以下：

tf.pad(
    tensor,
    paddings,
    mode='CONSTANT',
    name=None,
    constant_values=0
)

函數用途：對各個維度進行填充，padding

輸入：

• 　　tensor ：是要填充的張量;　　shape 維度爲 : (N1,N2,N3,...)；
• 　　padings：填充方式，也是一個張量，shape : (n，2), n ：表示須要的pad的tensor的維度個數；
• 　　mode：有三種取值：分別是"CONSTANT" ,"REFLECT", "SYMMETRIC",對padding 的維度也有限制，以下padded；
• 　　　  mode="CONSTANT" 是直接填充 constant_values；
• 　　　  mode = "REFLECT" 是軸對稱填充（對稱軸爲邊界列），此時constant_values 無效，用tensor 中的值填充；
•            mode = "SYMMETRIC" 是軸對稱填充（對稱軸爲邊界線），此時 constant_values 無效，用tensor 中的值填充；
• 　　constant_values：要填充的 value 值，默認爲0；

 

padding shape舉個例子：

要求：pad 維度爲（n，2） n：爲tensor 的維度個數；　

第一組：

input tensor，shape【3，4，5】三維 tensor

padding shape：【3，2】

第二組：

input tensor，shape【3，4，5，6】四維 tensor

padding shape：【4，2】

padding 的每一維度，都有兩個數，第一個表示前面添加幾維度，第二個表示 後面添加幾維度；

 

padded 填充以後的每一維度：

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

 

舉個例子-》填充後的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種經過對稱軸進行對稱複製的方式進行填充(複製時不包括對稱軸，邊界的那一列是對稱軸)，經過使用tensor邊緣做爲對稱;

 

SYMMETRIC：的填充方式於REFLECT填充方式相似，也是按照對稱軸就是複製的，只是它包括對稱軸（邊界外的線是對稱軸）。 

 

舉例一：（來自官方）：

 1 t = tf.constant([[1, 2, 3], [4, 5, 6]]) #shape（2，3）
 2 paddings = tf.constant([[1, 1,], [2, 2]]) # shape（2，2），第一維度，前面補一維度，後面補一維度；第二維度，前面補兩維度，後面補兩維度；
 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],  # 黃色爲對稱軸
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]]

 

舉例二：

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