pad2d

paddle.fluid.layers. pad2d ( input, paddings=[0, 0, 0, 0], mode='constant', pad_value=0.0, data_format='NCHW', name=None )

该OP依照 paddings 和 mode 属性对input进行2维 pad

参数:
  • input (Tensor) - 类型为float32的4-D Tensor, 格式为 [N, C, H, W][N, H, W, C]

  • paddings (Tensor | List[int32]) - 填充大小。如果paddings是一个List,它必须包含四个整数 [padding_top, padding_bottom, padding_left, padding_right] 。 如果paddings是Tensor, 则是类型为int32 的1-D Tensor,形状是 [4] 。默认值为 [0,0,0,0]

  • mode (str) - padding的三种模式,分别为 'constant' (默认)、 'reflect''edge''constant' 为填充常数 pad_value'reflect' 为填充以input边界值为轴的映射, 'edge' 为填充input边界值。具体结果可见以下示例。默认值为 'constant'

  • pad_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input的格式,可为 'NCHW''NHWC' ,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 ,默认值为None。

返回:Tensor,对input进行2维 pad 的结果,数据类型和input一样的4-D Tensor。

示例

Input = [[[[1., 2., 3.],
           [4., 5., 6.]]]]

Case 0:
    paddings = [0, 1, 2, 3],
    mode = 'constant'
    pad_value = 0
    Out = [[[[0., 0., 1., 2., 3., 0., 0., 0.],
             [0., 0., 4., 5., 6., 0., 0., 0.],
             [0., 0., 0., 0., 0., 0., 0., 0.]]]]

Case 1:
    paddings = [0, 1, 2, 1],
    mode = 'reflect'
    Out = [[[[3., 2., 1., 2., 3., 2.],
             [6., 5., 4., 5., 6., 5.],
             [3., 2., 1., 2., 3., 2.]]]]

Case 2:
    paddings = [0, 1, 2, 1],
    mode = 'edge'
    Out = [[[[1., 1., 1., 2., 3., 3.],
             [4., 4., 4., 5., 6., 6.],
             [4., 4., 4., 5., 6., 6.]]]]

代码示例:

import numpy as np
import paddle
import paddle.nn.functional as F

# example 1
x_shape = (1, 1, 3, 4)
x = np.arange(np.prod(x_shape), dtype=np.float32).reshape(x_shape) + 1
tensor_x = paddle.to_tensor(x)
y = F.pad2d(tensor_x, paddings=[1, 2, 2, 1], pad_value=1, mode='constant')
print(y.numpy())
# [[[[ 1.  1.  1.  1.  1.  1.  1.]
#    [ 1.  1.  1.  2.  3.  4.  1.]
#    [ 1.  1.  5.  6.  7.  8.  1.]
#    [ 1.  1.  9. 10. 11. 12.  1.]
#    [ 1.  1.  1.  1.  1.  1.  1.]
#    [ 1.  1.  1.  1.  1.  1.  1.]]]]

# example 2
x_shape = (1, 1, 2, 3)
x = np.arange(np.prod(x_shape), dtype=np.float32).reshape(x_shape) + 1
tensor_x = paddle.to_tensor(x)
y = F.pad2d(tensor_x, paddings=[1, 1, 1, 1], mode='reflect')
print(y.numpy())
# [[[[5. 4. 5. 6. 5.]
#    [2. 1. 2. 3. 2.]
#    [5. 4. 5. 6. 5.]
#    [2. 1. 2. 3. 2.]]]]