新手能掌握 PyTorch 的填充技术：深入理解反射、复制、零值和常数填充

目录

torch.nn子模块详解

nn.ReflectionPad1d

参数说明：

形状（Shape）：

使用示例：

注意事项：

nn.ReflectionPad2d

参数说明：

形状（Shape）：

使用示例：

注意事项：

nn.ReflectionPad3d

参数说明：

形状（Shape）：

使用示例：

注意事项：

nn.ReplicationPad1d

参数说明：

形状（Shape）：

使用示例：

注意事项：

nn.ReplicationPad2d

参数说明：

形状（Shape）：

使用示例：

注意事项：

nn.ReplicationPad3d

参数说明：

形状（Shape）：

使用示例：

注意事项：

nn.ZeroPad1d 

参数说明：

形状（Shape）：

使用示例：

注意事项：

nn.ZeroPad2d

参数说明：

形状（Shape）：

使用示例：

注意事项：

nn.ZeroPad3d

参数说明：

形状（Shape）：

使用示例：

注意事项：

nn.ConstantPad1d

参数说明：

形状（Shape）：

使用示例：

注意事项：

nn.ConstantPad2d

参数说明：

形状（Shape）：

使用示例：

注意事项：

nn.ConstantPad3d

参数说明：

形状（Shape）：

使用示例：

注意事项：

总结

torch.nn子模块详解

nn.ReflectionPad1d

torch.nn.ReflectionPad1d 是 PyTorch 深度学习框架中的一个类，用于对输入的张量（tensor）进行边界反射填充。这意味着它会复制输入张量的边界值来增加其大小。这种填充方式常用于卷积神经网络中，以保持数据的空间维度。

参数说明：

  • padding：这个参数可以是一个整数或一个二元组（tuple）。如果是整数，它会在所有边界上应用相同的填充大小。如果是二元组，它表示左右两边的填充大小，格式为 (padding_left, padding_right)。

形状（Shape）：

  • 输入：其形状可以是 (C, W) 或 (N, C, W)，其中 C 是通道数，W 是输入宽度，N 是批大小（如果有的话）。
  • 输出：形状为 (C, W_out) 或 (N, C, W_out)，其中 W_out = W_in + padding_left + padding_right。这里，W_out 是填充后的宽度。

使用示例：

1. 基本使用：如果你使用 nn.ReflectionPad1d(2)，这意味着在输入张量的每一边添加两个单位的反射填充。

m = nn.ReflectionPad1d(2)
input = torch.arange(8, dtype=torch.float).reshape(1, 2, 4)
output = m(input)

这将在输入张量的左右两侧分别添加两个单位的反射填充。

2. 使用不同的填充大小：你可以通过传递一个二元组来为左右两边设置不同的填充大小，比如 nn.ReflectionPad1d((3, 1))。

m = nn.ReflectionPad1d((3, 1))
output = m(input)

这将在输入张量的左边添加三个单位，右边添加一个单位的反射填充。

注意事项：

  • 数据类型：确保输入数据的类型（如 float32）与你的模型其他部分一致。
  • 边界效应：由于反射填充是通过复制边缘值实现的，因此在某些情况下可能会引入不希望的边界效应。
  • 使用场景：反射填充在视觉任务中特别有用，因为它可以保持图像边缘的连续性，而不是简单地填充零或其他值。

在数学公式中，W_out = W_in + padding_left + padding_right 描述了输出宽度（W_out）是如何根据输入宽度（W_in）以及左右两侧的填充大小计算出来的。

nn.ReflectionPad2d

 

torch.nn.ReflectionPad2d 是 PyTorch 框架中用于二维数据的一个填充类，它使用输入边界的反射进行填充。这种类型的填充在处理图像或其他二维数据时非常有用，尤其是在进行卷积操作时，需要保持数据尺寸不变的情况下。

参数说明：

  • padding：这个参数可以是一个整数或一个四元组（4-tuple）。如果是整数，它会在所有边界上应用相同的填充大小。如果是四元组，它表示四个边界的填充大小，格式为 (padding_left, padding_right, padding_top, padding_bottom)。

形状（Shape）：

  • 输入：其形状可以是 (N, C, H_in, W_in) 或 (C, H_in, W_in)，其中 N 是批大小，C 是通道数，H_in 是输入高度，W_in 是输入宽度。
  • 输出：形状为 (N, C, H_out, W_out) 或 (C, H_out, W_out)，其中 H_out = H_in + padding_top + padding_bottom 和 W_out = W_in + padding_left + padding_right。这里的 H_out 和 W_out 分别是填充后的高度和宽度。

使用示例：

  1. 基本使用：如果使用 nn.ReflectionPad2d(2)，这意味着在所有四个边界上添加两个单位的反射填充。

m = nn.ReflectionPad2d(2)
input = torch.arange(9, dtype=torch.float).reshape(1, 1, 3, 3)
output = m(input)

 这将在输入张量的每一边添加两个单位的反射填充。

    2. 使用不同的填充大小：你可以传递一个四元组来为每个边界设置不同的填充大小，比如 nn.ReflectionPad2d((1, 1, 2, 0))。

m = nn.ReflectionPad2d((1, 1, 2, 0))
output = m(input)

这将在输入张量的左、右边各添加一个单位，顶部添加两个单位，底部不添加填充的反射填充。

注意事项：

  • 数据类型：确保输入数据的类型与模型其他部分一致。
  • 边界效应：反射填充通过复制边缘值，可能在某些情况下引入边界效应，需要注意这一点。
  • 适用场景：反射填充尤其适用于视觉任务，因为它在填充时保持了图像边缘的连续性。

在数学公式中，H_out = H_in + padding_top + padding_bottom 和 W_out = W_in + padding_left + padding_right 描述了输出的高度（H_out）和宽度（W_out）是如何基于输入的高度（H_in）、宽度（W_in）以及各边的填充大小计算出来的。

nn.ReflectionPad3d

torch.nn.ReflectionPad3d 是 PyTorch 深度学习框架中的一个类，专门用于对三维数据进行反射填充。这种填充方式在处理三维数据（如体积数据或视频帧）时非常有用，尤其是在卷积神经网络中需要保持数据尺寸不变的场景中。

参数说明：

  • padding：这个参数可以是一个整数或一个六元组（6-tuple）。如果是整数，它会在所有边界上应用相同的填充大小。如果是六元组，它表示六个边界的填充大小，格式为 (padding_left, padding_right, padding_top, padding_bottom, padding_front, padding_back)。

形状（Shape）：

  • 输入：其形状可以是 (N, C, D_in, H_in, W_in) 或 (C, D_in, H_in, W_in)，其中 N 是批大小，C 是通道数，D_in 是输入深度，H_in 是输入高度，W_in 是输入宽度。
  • 输出：形状为 (N, C, D_out, H_out, W_out) 或 (C, D_out, H_out, W_out)，其中 D_out = D_in + padding_front + padding_back，H_out = H_in + padding_top + padding_bottom，W_out = W_in + padding_left + padding_right。这里的 D_out、H_out 和 W_out 分别是填充后的深度、高度和宽度。

使用示例：

 基本使用：如果使用 nn.ReflectionPad3d(1)，这意味着在所有六个边界上添加一个单位的反射填充。

m = nn.ReflectionPad3d(1)
input = torch.arange(8, dtype=torch.float).reshape(1, 1, 2, 2, 2)
output = m(input)

这将在输入张量的每一个边界添加一个单位的反射填充。

 使用不同的填充大小：你可以传递一个六元组来为每个边界设置不同的填充大小。

# 示例：设置不同的填充大小
m = nn.ReflectionPad3d((1, 1, 2, 0, 1, 2))
# 然后使用 m(input) 来应用填充

 这将在输入张量的不同边界上添加不同大小的反射填充。

注意事项：

  • 数据类型：确保输入数据的类型与模型其他部分一致。
  • 边界效应：反射填充通过复制边缘值，可能在某些情况下引入边界效应，需要特别注意。
  • 适用场景：反射填充尤其适用于处理三维数据，如医学图像、视频处理等领域。

在数学公式中，D_out = D_in + padding_front + padding_back、H_out = H_in + padding_top + padding_bottom 和 W_out = W_in + padding_left + padding_right 描述了输出的深度（D_out）、高度（H_out）和宽度（W_out）是如何基于输入的深度（D_in）、高度（H_in）、宽度（W_in）以及各边的填充大小计算出来的。

nn.ReplicationPad1d

torch.nn.ReplicationPad1d 是 PyTorch 框架中用于一维数据的填充类，它通过复制输入边界的值来进行填充。这种填充方式在处理一维序列数据（如时间序列、音频信号等）时非常有用，尤其是在进行卷积操作时需要保持数据长度不变的情况下。

参数说明：

  • padding：这个参数可以是一个整数或一个二元组（tuple）。如果是整数，它会在所有边界上应用相同的填充大小。如果是二元组，它表示左右两边的填充大小，格式为 (padding_left, padding_right)。

形状（Shape）：

  • 输入：其形状可以是 (C, W_in) 或 (N, C, W_in)，其中 C 是通道数，W_in 是输入宽度，N 是批大小（如果有的话）。
  • 输出：形状为 (C, W_out) 或 (N, C, W_out)，其中 W_out = W_in + padding_left + padding_right。这里的 W_out 是填充后的宽度。

使用示例：

  1. 基本使用：如果使用 nn.ReplicationPad1d(2)，这意味着在输入张量的每一边添加两个单位的复制填充。

m = nn.ReplicationPad1d(2)
input = torch.arange(8, dtype=torch.float).reshape(1, 2, 4)
output = m(input)

 这将在输入张量的左右两侧分别添加两个单位的复制填充。

   2. 使用不同的填充大小：你可以通过传递一个二元组来为左右两边设置不同的填充大小，比如 nn.ReplicationPad1d((3, 1))。

m = nn.ReplicationPad1d((3, 1))
output = m(input)

这将在输入张量的左边添加三个单位，右边添加一个单位的复制填充。

注意事项：

  • 数据类型：确保输入数据的类型（如 float32）与你的模型其他部分一致。
  • 填充效果：由于复制填充是通过重复边缘值实现的，因此在某些情况下可能会引入不希望的效果，特别是在边缘值与邻近数据差异较大时。
  • 使用场景：复制填充在处理一维数据时特别有用，因为它在填充时尽可能保持了数据的局部特性。

在数学公式中，W_out = W_in + padding_left + padding_right 描述了输出宽度（W_out）是如何根据输入宽度（W_in）以及左右两侧的填充大小计算出来的。

nn.ReplicationPad2d

torch.nn.ReplicationPad2d 是 PyTorch 框架中用于二维数据的填充类，它通过复制输入边界的值来进行填充。这种填充方式在处理图像或其他二维数据时非常有用，尤其是在进行卷积操作时需要保持数据尺寸不变的情况下。

参数说明：

  • padding：这个参数可以是一个整数或一个四元组（4-tuple）。如果是整数，它会在所有边界上应用相同的填充大小。如果是四元组，它表示四个边界的填充大小，格式为 (padding_left, padding_right, padding_top, padding_bottom)。

形状（Shape）：

  • 输入：其形状可以是 (N, C, H_in, W_in) 或 (C, H_in, W_in)，其中 N 是批大小，C 是通道数，H_in 是输入高度，W_in 是输入宽度。
  • 输出：形状为 (N, C, H_out, W_out) 或 (C, H_out, W_out)，其中 H_out = H_in + padding_top + padding_bottom 和 W_out = W_in + padding_left + padding_right。这里的 H_out 和 W_out 分别是填充后的高度和宽度。

使用示例：

以下是一个整合的示例，展示了如何使用 nn.ReplicationPad2d，包括使用相同的填充大小和不同的填充大小两种情况：

import torch
import torch.nn as nn# 使用相同的填充大小
m_same_padding = nn.ReplicationPad2d(2)
input = torch.arange(9, dtype=torch.float).reshape(1, 1, 3, 3)
output_same_padding = m_same_padding(input)# 使用不同的填充大小
m_different_padding = nn.ReplicationPad2d((1, 1, 2, 0))
output_different_padding = m_different_padding(input)# 打印输出
print("Output with same padding on all sides:\n", output_same_padding)
print("\nOutput with different padding:\n", output_different_padding)

注意事项：

  • 数据类型：确保输入数据的类型（如 float32）与你的模型其他部分一致。
  • 填充效果：由于复制填充是通过重复边缘值实现的，因此在某些情况下可能会引入不希望的效果，特别是在边缘值与邻近数据差异较大时。
  • 使用场景：复制填充在处理二维数据时特别有用，因为它在填充时尽可能保持了数据的局部特性。

在数学公式中，H_out = H_in + padding_top + padding_bottom 和 W_out = W_in + padding_left + padding_right 描述了输出的高度（H_out）和宽度（W_out）是如何基于输入的高度（H_in）、宽度（W_in）以及各边的填充大小计算出来的。

nn.ReplicationPad3d

torch.nn.ReplicationPad3d 是 PyTorch 框架中用于三维数据的填充类，它通过复制输入边界的值来进行填充。这种填充方式在处理三维数据（如体积数据、三维图像）时非常有用，尤其是在进行卷积操作时需要保持数据尺寸不变的情况下。

参数说明：

  • padding：这个参数可以是一个整数或一个六元组（6-tuple）。如果是整数，它会在所有边界上应用相同的填充大小。如果是六元组，它表示六个边界的填充大小，格式为 (padding_left, padding_right, padding_top, padding_bottom, padding_front, padding_back)。

形状（Shape）：

  • 输入：其形状可以是 (N, C, D_in, H_in, W_in) 或 (C, D_in, H_in, W_in)，其中 N 是批大小，C 是通道数，D_in 是输入深度，H_in 是输入高度，W_in 是输入宽度。
  • 输出：形状为 (N, C, D_out, H_out, W_out) 或 (C, D_out, H_out, W_out)，其中 D_out = D_in + padding_front + padding_back，H_out = H_in + padding_top + padding_bottom，W_out = W_in + padding_left + padding_right。这里的 D_out、H_out 和 W_out 分别是填充后的深度、高度和宽度。

使用示例：

以下是一个整合的示例，展示了如何使用 nn.ReplicationPad3d，包括使用相同的填充大小和不同的填充大小两种情况：

import torch
import torch.nn as nn# 使用相同的填充大小
m_same_padding = nn.ReplicationPad3d(3)
input = torch.randn(16, 3, 8, 320, 480)
output_same_padding = m_same_padding(input)# 使用不同的填充大小
m_different_padding = nn.ReplicationPad3d((3, 3, 6, 6, 1, 1))
output_different_padding = m_different_padding(input)# 打印输出
print("Output with same padding on all sides:\n", output_same_padding.shape)
print("\nOutput with different padding:\n", output_different_padding.shape)

注意事项：

  • 数据类型：确保输入数据的类型（如 float32）与你的模型其他部分一致。
  • 填充效果：由于复制填充是通过重复边缘值实现的，因此在某些情况下可能会引入不希望的效果，特别是在边缘值与邻近数据差异较大时。
  • 使用场景：复制填充在处理三维数据时特别有用，因为它在填充时尽可能保持了数据的局部特性。

在数学公式中，D_out = D_in + padding_front + padding_back、H_out = H_in + padding_top + padding_bottom 和 W_out = W_in + padding_left + padding_right 描述了输出的深度（D_out）、高度（H_out）和宽度（W_out）是如何基于输入的深度（D_in）、高度（H_in）、宽度（W_in）以及各边的填充大小计算出来的。

nn.ZeroPad1d 

torch.nn.ZeroPad1d 是 PyTorch 框架中用于一维数据的填充类，它通过在输入张量的边界添加零来进行填充。这种填充方式在处理一维序列数据（如时间序列、音频信号等）时非常有用，尤其是在进行卷积操作时需要保持数据长度不变的情况下。

参数说明：

  • padding：这个参数可以是一个整数或一个二元组（tuple）。如果是整数，它会在两边边界上应用相同的填充大小。如果是二元组，它表示左右两边的填充大小，格式为 (padding_left, padding_right)。

形状（Shape）：

  • 输入：其形状可以是 (C, W_in) 或 (N, C, W_in)，其中 C 是通道数，W_in 是输入宽度，N 是批大小（如果有的话）。
  • 输出：形状为 (C, W_out) 或 (N, C, W_out)，其中 W_out = W_in + padding_left + padding_right。这里的 W_out 是填充后的宽度。

使用示例：

以下是一个整合的示例，展示了如何使用 nn.ZeroPad1d，包括使用相同的填充大小和不同的填充大小两种情况：

import torch
import torch.nn as nn# 使用相同的填充大小
m_same_padding = nn.ZeroPad1d(2)
input1 = torch.randn(1, 2, 4)
output1 = m_same_padding(input1)# 使用不同的填充大小
m_different_padding = nn.ZeroPad1d((3, 1))
input2 = torch.randn(1, 2, 3)
output2 = m_different_padding(input2)# 打印输出
print("Output with same padding on both sides:\n", output1)
print("\nOutput with different padding:\n", output2)

注意事项：

  • 数据类型：确保输入数据的类型（如 float32）与你的模型其他部分一致。
  • 填充效果：零填充会在序列的边界添加零值，这可能会对模型产生特定的影响，尤其是在模型需要解释边界信息时。
  • 使用场景：零填充在处理一维数据时特别有用，尤其是在需要保持数据长度不变时。

在数学公式中，W_out = W_in + padding_left + padding_right 描述了输出宽度（W_out）是如何根据输入宽度（W_in）以及左右两侧的填充大小计算出来的。

nn.ZeroPad2d

torch.nn.ZeroPad2d 是 PyTorch 框架中用于二维数据的填充类，它通过在输入张量的边界添加零来进行填充。这种填充方式在处理图像或其他二维数据时非常有用，尤其是在进行卷积操作时需要保持数据尺寸不变的情况下。

参数说明：

  • padding：这个参数可以是一个整数或一个四元组（4-tuple）。如果是整数，它会在所有边界上应用相同的填充大小。如果是四元组，它表示四个边界的填充大小，格式为 (padding_left, padding_right, padding_top, padding_bottom)。

形状（Shape）：

  • 输入：其形状可以是 (N, C, H_in, W_in) 或 (C, H_in, W_in)，其中 N 是批大小，C 是通道数，H_in 是输入高度，W_in 是输入宽度。
  • 输出：形状为 (N, C, H_out, W_out) 或 (C, H_out, W_out)，其中 H_out = H_in + padding_top + padding_bottom 和 W_out = W_in + padding_left + padding_right。这里的 H_out 和 W_out 分别是填充后的高度和宽度。

使用示例：

以下是一个整合的示例，展示了如何使用 nn.ZeroPad2d，包括使用相同的填充大小和不同的填充大小两种情况：

import torch
import torch.nn as nn# 使用相同的填充大小
m_same_padding = nn.ZeroPad2d(2)
input1 = torch.randn(1, 1, 3, 3)
output1 = m_same_padding(input1)# 使用不同的填充大小
m_different_padding = nn.ZeroPad2d((1, 1, 2, 0))
input2 = torch.randn(1, 1, 3, 3)
output2 = m_different_padding(input2)# 打印输出
print("Output with same padding on all sides:\n", output1)
print("\nOutput with different padding:\n", output2)

注意事项：

  • 数据类型：确保输入数据的类型（如 float32）与你的模型其他部分一致。
  • 填充效果：零填充会在图像的边界添加零值，这可能会对模型产生特定的影响，尤其是在模型需要解释边界信息时。
  • 使用场景：零填充在处理二维数据时特别有用，尤其是在需要保持数据尺寸不变时。

在数学公式中，H_out = H_in + padding_top + padding_bottom 和 W_out = W_in + padding_left + padding_right 描述了输出的高度（H_out）和宽度（W_out）是如何基于输入的高度（H_in）、宽度（W_in）以及各边的填充大小计算出来的。

nn.ZeroPad3d

torch.nn.ZeroPad3d 是 PyTorch 框架中用于三维数据的填充类，它通过在输入张量的边界添加零来进行填充。这种填充方式在处理三维数据（如体积数据、三维图像等）时非常有用，尤其是在进行卷积操作时需要保持数据尺寸不变的情况下。

参数说明：

  • padding：这个参数可以是一个整数或一个六元组（6-tuple）。如果是整数，它会在所有边界上应用相同的填充大小。如果是六元组，它表示六个边界的填充大小，格式为 (padding_left, padding_right, padding_top, padding_bottom, padding_front, padding_back)。

形状（Shape）：

  • 输入：其形状可以是 (N, C, D_in, H_in, W_in) 或 (C, D_in, H_in, W_in)，其中 N 是批大小，C 是通道数，D_in 是输入深度，H_in 是输入高度，W_in 是输入宽度。
  • 输出：形状为 (N, C, D_out, H_out, W_out) 或 (C, D_out, H_out, W_out)，其中 D_out = D_in + padding_front + padding_back，H_out = H_in + padding_top + padding_bottom，W_out = W_in + padding_left + padding_right。这里的 D_out、H_out 和 W_out 分别是填充后的深度、高度和宽度。

使用示例：

以下是一个整合的示例，展示了如何使用 nn.ZeroPad3d，包括使用相同的填充大小和不同的填充大小两种情况：

import torch
import torch.nn as nn# 使用相同的填充大小
m_same_padding = nn.ZeroPad3d(3)
input1 = torch.randn(16, 3, 10, 20, 30)
output1 = m_same_padding(input1)# 使用不同的填充大小
m_different_padding = nn.ZeroPad3d((3, 3, 6, 6, 0, 1))
output2 = m_different_padding(input1)# 打印输出
print("Output with same padding on all sides:\n", output1.shape)
print("\nOutput with different padding:\n", output2.shape)

注意事项：

  • 数据类型：确保输入数据的类型（如 float32）与你的模型其他部分一致。
  • 填充效果：零填充会在三维数据的边界添加零值，这可能会对模型产生特定的影响，尤其是在模型需要解释边界信息时。
  • 使用场景：零填充在处理三维数据时特别有用，尤其是在需要保持数据尺寸不变时。

在数学公式中，D_out = D_in + padding_front + padding_back、H_out = H_in + padding_top + padding_bottom 和 W_out = W_in + padding_left + padding_right 描述了输出的深度（D_out）、高度（H_out）和宽度（W_out）是如何基于输入的深度（D_in）、高度（H_in）、宽度（W_in）以及各边的填充大小计算出来的。

nn.ConstantPad1d

torch.nn.ConstantPad1d 是 PyTorch 框架中用于一维数据的填充类，它通过在输入张量的边界添加一个常数值来进行填充。这种填充方式在处理一维序列数据（如时间序列、音频信号等）时非常有用，尤其是在进行卷积操作时需要保持数据长度不变的情况下。

参数说明：

  • padding：这个参数可以是一个整数或一个二元组（tuple）。如果是整数，它会在两边边界上应用相同的填充大小。如果是二元组，它表示左右两边的填充大小，格式为 (padding_left, padding_right)。
  • value：填充的常数值。

形状（Shape）：

  • 输入：其形状可以是 (C, W_in) 或 (N, C, W_in)，其中 C 是通道数，W_in 是输入宽度，N 是批大小（如果有的话）。
  • 输出：形状为 (C, W_out) 或 (N, C, W_out)，其中 W_out = W_in + padding_left + padding_right。这里的 W_out 是填充后的宽度。

使用示例：

以下是一个整合的示例，展示了如何使用 nn.ConstantPad1d，包括使用相同的填充大小和不同的填充大小两种情况：

import torch
import torch.nn as nn# 使用相同的填充大小
m_same_padding = nn.ConstantPad1d(2, 3.5)
input1 = torch.randn(1, 2, 4)
output1 = m_same_padding(input1)# 使用不同的填充大小
m_different_padding = nn.ConstantPad1d((3, 1), 3.5)
input2 = torch.randn(1, 2, 3)
output2 = m_different_padding(input2)# 打印输出
print("Output with same padding on both sides:\n", output1)
print("\nOutput with different padding:\

注意事项：

  • 数据类型：确保输入数据的类型（如 float32）与你的模型其他部分一致。
  • 填充效果：常数填充会在序列的边界添加特定的常数值，这可能会对模型产生特定的影响，尤其是在模型需要解释边界信息时。
  • 使用场景：常数填充在处理一维数据时特别有用，尤其是在需要保持数据长度不变时。

在数学公式中，W_out = W_in + padding_left + padding_right 描述了输出宽度（W_out）是如何根据输入宽度（W_in）以及左右两侧的填充大小和填充值计算出来的。

nn.ConstantPad2d

torch.nn.ConstantPad2d 是 PyTorch 框架中用于二维数据的填充类，它通过在输入张量的边界添加一个常数值来进行填充。这种填充方式在处理图像或其他二维数据时非常有用，尤其是在进行卷积操作时需要保持数据尺寸不变的情况下。

参数说明：

  • padding：这个参数可以是一个整数或一个四元组（4-tuple）。如果是整数，它会在所有边界上应用相同的填充大小。如果是四元组，它表示四个边界的填充大小，格式为 (padding_left, padding_right, padding_top, padding_bottom)。
  • value：填充的常数值。

形状（Shape）：

  • 输入：其形状可以是 (N, C, H_in, W_in) 或 (C, H_in, W_in)，其中 N 是批大小，C 是通道数，H_in 是输入高度，W_in 是输入宽度。
  • 输出：形状为 (N, C, H_out, W_out) 或 (C, H_out, W_out)，其中 H_out = H_in + padding_top + padding_bottom 和 W_out = W_in + padding_left + padding_right。这里的 H_out 和 W_out 分别是填充后的高度和宽度。

使用示例：

以下是一个整合的示例，展示了如何使用 nn.ConstantPad2d，包括使用相同的填充大小和不同的填充大小两种情况：

import torch
import torch.nn as nn# 使用相同的填充大小
m_same_padding = nn.ConstantPad2d(2, 3.5)
input1 = torch.randn(1, 2, 2)
output1 = m_same_padding(input1)# 使用不同的填充大小
m_different_padding = nn.ConstantPad2d((3, 0, 2, 1), 3.5)
output2 = m_different_padding(input1)# 打印输出
print("Output with same padding on all sides:\n", output1)
print("\nOutput with different padding:\n", output2)

注意事项：

  • 数据类型：确保输入数据的类型（如 float32）与你的模型其他部分一致。
  • 填充效果：常数填充会在图像的边界添加特定的常数值，这可能会对模型产生特定的影响，尤其是在模型需要解释边界信息时。
  • 使用场景：常数填充在处理二维数据时特别有用，尤其是在需要保持数据尺寸不变时。

在数学公式中，H_out = H_in + padding_top + padding_bottom 和 W_out = W_in + padding_left + padding_right 描述了输出的高度（H_out）和宽度（W_out）是如何基于输入的高度（H_in）、宽度（W_in）以及各边的填充大小和填充值计算出来的。

nn.ConstantPad3d

torch.nn.ConstantPad3d 是 PyTorch 框架中用于三维数据的填充类，它通过在输入张量的边界添加一个常数值来进行填充。这种填充方式在处理三维数据（如体积数据、三维图像等）时非常有用，尤其是在进行卷积操作时需要保持数据尺寸不变的情况下。

参数说明：

  • padding：这个参数可以是一个整数或一个六元组（6-tuple）。如果是整数，它会在所有边界上应用相同的填充大小。如果是六元组，它表示六个边界的填充大小，格式为 (padding_left, padding_right, padding_top, padding_bottom, padding_front, padding_back)。
  • value：填充的常数值。

形状（Shape）：

  • 输入：其形状可以是 (N, C, D_in, H_in, W_in) 或 (C, D_in, H_in, W_in)，其中 N 是批大小，C 是通道数，D_in 是输入深度，H_in 是输入高度，W_in 是输入宽度。
  • 输出：形状为 (N, C, D_out, H_out, W_out) 或 (C, D_out, H_out, W_out)，其中 D_out = D_in + padding_front + padding_back，H_out = H_in + padding_top + padding_bottom，W_out = W_in + padding_left + padding_right。这里的 D_out、H_out 和 W_out 分别是填充后的深度、高度和宽度。

使用示例：

以下是一个整合的示例，展示了如何使用 nn.ConstantPad3d，包括使用相同的填充大小和不同的填充大小两种情况：

import torch
import torch.nn as nn# 使用相同的填充大小
m_same_padding = nn.ConstantPad3d(3, 3.5)
input1 = torch.randn(16, 3, 10, 20, 30)
output1 = m_same_padding(input1)# 使用不同的填充大小
m_different_padding = nn.ConstantPad3d((3, 3, 6, 6, 0, 1), 3.5)
output2 = m_different_padding(input1)# 打印输出
print("Output with same padding on all sides:\n", output1.shape)
print("\nOutput with different padding:\n", output2.shape)

注意事项：

  • 数据类型：确保输入数据的类型（如 float32）与你的模型其他部分一致。
  • 填充效果：常数填充会在三维数据的边界添加特定的常数值，这可能会对模型产生特定的影响，尤其是在模型需要解释边界信息时。
  • 使用场景：常数填充在处理三维数据时特别有用，尤其是在需要保持数据尺寸不变时。

在数学公式中，D_out = D_in + padding_front + padding_back、H_out = H_in + padding_top + padding_bottom 和 W_out = W_in + padding_left + padding_right 描述了输出的深度（D_out）、高度（H_out）和宽度（W_out）是如何基于输入的深度（D_in）、高度（H_in）、宽度（W_in）以及各边的填充大小和填充值计算出来的。

总结

         本文详细介绍了 PyTorch 框架中的多个填充类，用于在深度学习模型中处理不同维度的数据。这些填充方法对于保持卷积神经网络中数据的空间维度至关重要，尤其在图像处理、音频信号处理等领域中有广泛应用。每种填充方法都有其特定的应用场景和注意事项，如数据类型一致性、边界效应的考虑等。文章通过具体的代码示例展示了如何在 PyTorch 中使用这些填充类，并解释了它们的工作原理。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/594702.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

docker小白第十一天

docker小白第十一天

docker小白第十一天 dockerfile分析 Dockerfile是用来构建Docker镜像的文本文件，是由一条条构建镜像所需的指令和参数构成的脚本。即构建新镜像时会用到。 构建三步骤：编写dockerfile文件-docker build命令构建镜像-docker run镜像 运行容器实例。即一…
阅读更多...
气缸功能块(SMART PLC梯形图代码)

气缸功能块(SMART PLC梯形图代码)

有关气缸功能块的更多介绍，可以参考下面链接文章： https://rxxw-control.blog.csdn.net/article/details/125459568https://rxxw-control.blog.csdn.net/article/details/125459568CODESYS平台双通气缸功能块 https://rxxw-control.blog.csdn.net/article/details/12544822…
阅读更多...
Linux 进程(七) 进程地址空间

Linux 进程(七) 进程地址空间

虚拟地址/线性地址 学习c语言的时候我们经常会用到 “&” 符号，以及下面这张表，那么取出来的地址是否对应的是真实的物理地址呢？下面我们来写代码一步一步的验证。 从上面这张图不难看出，从正文代码，到命令行参数环…
阅读更多...
Django Web 开发实战-实现用户管理系统（部门管理、用户管理、注册登录、文件上传）

Django Web 开发实战-实现用户管理系统（部门管理、用户管理、注册登录、文件上传）

简介 基于Django Python Web框架 MySQL Bootstrap 开发的用户管理系统。支持增删改查、模糊搜索、分页。 功能介绍 部门管理---》已完成 用户管理---》已完成 认证（注册/登录）---》开发中 数据统计---》待开发 文件上传---》待开发 效果图 部门…
阅读更多...
Rust圣经 阅读 数值类型

Rust圣经 阅读 数值类型

基本类型 Rust 每个值都有其确切的数据类型，分为两类：基本类型和复合类型。 基本类型往往是一个最小化原子类型，无法解构为其它类型（一般意义上来说），由以下组成： 数值类型：有符号…
阅读更多...
如何方便地管理多个SSH隧道：一次性解决远程数据库连接问题

如何方便地管理多个SSH隧道：一次性解决远程数据库连接问题

在处理不对外开放端口的远程数据库时，SSH隧道是一种非常强大的工具。它不仅可以帮助我们安全地连接到这些数据库，还可以在不需要复杂配置的情况下，通过本地端口转发实现远程连接。但当我们需要同时管理多个隧道时，事情可能会变得复…
阅读更多...
印象笔记03 衍生软件使用

印象笔记03 衍生软件使用

印象笔记03 衍生软件使用 Verse 以下内容来源于官方介绍 VERSE是一款面向未来的智能化生产力工具，由印象笔记团队诚意推出。 你可以用VERSE： 管理数字内容，让信息有序高效运转；搭建知识体系，构建你的强大知识库&am…
阅读更多...
SpringBoot之参数校验

SpringBoot之参数校验

系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 SpringBoot之参数校验 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 系列文章目录前言一、参数校验的重要…
阅读更多...
uniapp实现文字超出宽度自动滚动（在宽度范围之内不滚动、是否自动滚动、点击滚动暂停）

uniapp实现文字超出宽度自动滚动（在宽度范围之内不滚动、是否自动滚动、点击滚动暂停）

效果如下： 文字滚动 组件代码： <template><view class="tip" id="tip" @tap.stop="clickMove"><view class=
阅读更多...
CMU15-445-Spring-2023-Project #0 - C++ Primer

CMU15-445-Spring-2023-Project #0 - C++ Primer

前置任务。 Task #1 - Copy-On-Write Trie Copy-on-write (COW) Trie 在进行修改时&#xff0c;不会立即复制整个数据结构。相反&#xff0c;它会在需要修改的节点被多个引用的时候才进行复制。当要对某个节点进行写操作&#xff08;添加子节点或者继续向下insert&#xff09…
阅读更多...
修改多选框el-checkbox样式, 大小,背景色

修改多选框el-checkbox样式, 大小,背景色

修改多选框el-checkbox样式, 大小,背景色 /* 背景透明 */ .el-checkbox__inner {background: transparent;border: 1px solid #00ffe5; } /* 选中样式 */ .el-checkbox__input.is-checked .el-checkbox__inner, .el-checkbox__input.is-indeterminate .el-checkbox__inner {b…
阅读更多...
灸哥问答：分布式系统中数据一致性的问题如何解决

灸哥问答：分布式系统中数据一致性的问题如何解决

在分布式系统&#xff0c;数据一致性的问题是一个老生常谈&#xff0c;必须面对的一个问题&#xff0c;而且又极具挑战和复杂度的一个问题&#xff0c;针对数据一致性的问题&#xff0c;没有一个简单的单一的解决方案可以圆满解决&#xff0c;是需要结合具体的场景&#xff0c;…
阅读更多...
人工智能技术在教育行业有哪些应用？

人工智能技术在教育行业有哪些应用？

人工智能技术在教育行业有以下几个主要应用&#xff1a; 1. 个性化学习&#xff1a;人工智能可以根据学生的学习情况和特点&#xff0c;提供个性化的学习内容和教学方法。通过分析学生的学习数据和行为模式&#xff0c;AI 可以给予针对性的建议和反馈&#xff0c;帮助学生更好地…
阅读更多...
环境准备-VMware安装

环境准备-VMware安装

照顾到很多人不是很会环境搭建&#xff0c;我这里会将搭建的步骤讲的细致点 第一步&#xff0c;VMware下载。目的是通过VMware搭建Linux服务器&#xff0c;因为大家大部分还是Windows的电脑&#xff0c;我们先下载虚拟机搭建一个Linux系统的服务器 下载完成之后&#xff0c;点…
阅读更多...
Java Synchronized 和 ReentrantLock

Java Synchronized 和 ReentrantLock

目录 介绍 synchronized synchronized 修饰实例方法 修饰静态类方法 synchronized 修饰代码块 实现细节 ReentrantLock ReentrantLock 基本使用 公平锁实现 读写锁&#xff08;ReentrantReadWriteLock&#xff09; 1. 创建读写锁对象&#xff1a; 2. 通过读写锁对象…
阅读更多...
Open3D 点云分割之区域生长（Python版本，指定种子点）

Open3D 点云分割之区域生长（Python版本，指定种子点）

文章目录 一、简介一、简介二、实现代码三、实现效果参考资料一、简介 一、简介 点云分割作为许多应用的前提，其直接会关乎到后续利用点云数据进行曲面重建、特征提取等处理的效果。区域生长算法做为一种较为经典的聚类分割算法，具有很广泛的应用，算法过程如下所述： 1、首…
阅读更多...
38 调优kafka

38 调优kafka

操作系统调优 1.禁止atime更新&#xff0c;减少文件系统的写操作。 mount -o noatime 2.选择高性能的文件系统&#xff0c;如ext4或者XFS 3.swap空间设置&#xff0c;将swappniness设置成很小的一个值比如1&#xff5e;10&#xff0c;防止linux OOM Killer 开启随意杀掉进程。…
阅读更多...
LeetCode 2807. 在链表中插入最大公约数

LeetCode 2807. 在链表中插入最大公约数

给你一个链表的头 head &#xff0c;每个结点包含一个整数值。 在相邻结点之间&#xff0c;请你插入一个新的结点&#xff0c;结点值为这两个相邻结点值的 最大公约数 。 请你返回插入之后的链表。 两个数的 最大公约数 是可以被两个数字整除的最大正整数。 示例 1&#xf…
阅读更多...
Vue前端文字效果：如何让一段文本像是手动一个一个字打出来的

Vue前端文字效果：如何让一段文本像是手动一个一个字打出来的

效果展示 自己做的AI聊天机器人界面&#xff0c;我觉得比微信还好看 由于这个前端略微复杂&#xff0c;下文用最简单的例子来展示&#xff1a; 分析需求 对于AI聊天工具的前端&#xff0c;如果AI生成的文本像是一个一个字打出来的&#xff0c;就会让AI看起来更像真的人&…
阅读更多...
Python: 你所不知道的星号 * 用法

Python: 你所不知道的星号 * 用法

以下内容为本人的学习笔记&#xff0c;如需要转载&#xff0c;请声明原文链接 微信公众号「ENG八戒」https://mp.weixin.qq.com/s/FHyosiG_tegF5NRUEs7UdA 本文大概 1152 个字&#xff0c;阅读需花 6 分钟 内容不多&#xff0c;但也花了一些精力 如有余力&#xff0c;欢迎点赞…
阅读更多...
最新文章

Copyright @ 2022~2023