pad

paddle.nn.functional. pad ( x, pad, mode='constant', value=0.0, data_format=None, pad_from_left_axis=True, name=None ) [源代码] 

依照 pad 和 mode 属性对 x 进行 pad。

备注

记 x 的维数为 N (以下延用)。 pad 的长度：
1.1. 当 mode 为 'constant' 时， pad 的长度可以是任意小于等于 2*N 的偶数。若输入奇数长度的 pad，会自动在末尾补零至偶数长度，再按偶数方式处理。例如：
示例： pad=[1,2,3] → 补零为 [1,2,3,0]，表示第一个维度前后分别填充 1 和 2，第二个维度前后分别填充 3 和 0。
1.2. 当 mode 为 'reflect'、 'replicate' 或 'circular' 时， pad 的长度必须为 2*(N-2)。
pad 的顺序：支持右对齐(从 x 的最后一维开始)。特别地，当 mode 为 'constant' ，且 pad 是长度为 2N 的列表时，pad 的顺序可以通过 pad_from_left_axis 参数来控制，如果 pad_from_left_axis 是 True，pad 的顺序则是左对齐；如果 pad_from_left_axis 是 False，pad 的顺序则是右对齐。
当 mode 为 'reflect'、 'replicate'、 'circular'，或 pad 是 Tensor，或 pad 的长度是 2*(N-2) 时，x 的维数只支持 3-D、4—D、5-D。此时 pad 作用在相应 data_format 的 [D, H, W] 轴上，顺序是从 [D, H, W] 轴的最后一维到第一维。具体地，当 N=3 时，pad 的格式为[pad_left, pad_right]；当 N=4 时，pad 的格式为[pad_left, pad_right, pad_top, pad_bottom]；当 N=5 时，pad 的格式为[pad_left, pad_right, pad_top, pad_bottom, pad_front, pad_back]。
如果 mode 为 reflect，则 x 对应 [D, H, W] 维度上的长度必须大于对应的 pad 值。

备注

别名支持: 参数名 input 可替代 x，如 input=tensor_x 等价于 x=tensor_x。

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、complex64、complex128。别名： input。

pad (Tensor|list[int]|tuple[int]) - 填充大小，基本数据类型是整数类型。具体设置请参照 Note（注解）。

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) - 当 mode 为 'reflect'、 'replicate'、 'circular'，或 pad 是 Tensor，或 pad 的长度是 2*(N-2) 时，指定 x 的数据格式，可为 'NCL'、'NLC'、'NCHW'、'NHWC'、'NCDHW' 或 'NDHWC'，默认值为 None，此时取值将根据输入 x 的维度自动推断：若 x 维度是 3，取值为 'NCL'；若 x 维度是 4，取值为 'NCHW'；；若 x 维度是 5，取值为 'NCDHW'。

pad_from_left_axis (bool，可选) - 只有当 mode 为 'constant' ，且 pad 是长度为 2N 的列表时有效，设置 pad 与 x 的轴左对齐或右对齐。默认值为 True，表示左对齐填充。

name (str，可选) - 具体用法请参见 api_guide_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
    pad_from_left_axis = True
    Out = [[[[[0., 0., 0.],
              [1., 2., 3.],
              [4., 5., 6.],
              [0., 0., 0.]]]]]
    Out.shape = [1, 1, 1, 4, 3]

Case 1:
    pad = [0, 0, 0, 0, 0, 0, 1, 1, 0, 0],
    mode = 'constant'
    value = 0
    pad_from_left_axis = False
    Out = [[[[[0., 0., 0.],
                [0., 0., 0.]]],
            [[[1., 2., 3.],
                [4., 5., 6.]]],
            [[[0., 0., 0.],
                [0., 0., 0.]]]]]
    Out.shape = [1, 3, 1, 2, 3]

Case 2:
    pad = [1, 0, 0, 1],
    mode = 'constant'
    value = 0
    Out = [[[[[0., 1., 2., 3.],
                [0., 4., 5., 6.],
                [0., 0., 0., 0.]]]]]
    Out.shape = [1, 1, 1, 3, 4]

Case 3:
    pad = [2, 2, 1, 1, 0, 0],
    mode = 'constant'
    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.]]]]]
    Out.shape = [1, 1, 1, 4, 7]

Case 4:
    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.]]]]]
    Out.shape = [1, 1, 1, 4, 7]

Case 5:
    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.]]]]]
    Out.shape = [1, 1, 1, 4, 7]

Case 6:
    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.]]]]]
    Out.shape = [1, 1, 1, 4, 7]

         

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)
Tensor(shape=[1, 1, 8], dtype=float32, place=Place(cpu), stop_gradient=True,
[[[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)
Tensor(shape=[1, 1, 8], dtype=float32, place=Place(cpu), stop_gradient=True,
[[[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)
Tensor(shape=[1, 1, 4, 6], dtype=float32, place=Place(cpu), stop_gradient=True,
[[[[6., 4., 5., 6., 4., 5.],
   [3., 1., 2., 3., 1., 2.],
   [6., 4., 5., 6., 4., 5.],
   [3., 1., 2., 3., 1., 2.]]]])

>>> # example 4
>>> 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, [1, 0, 0, 1, 0, 0], value=0, mode='constant', pad_from_left_axis=True)
>>> print(y)
Tensor(shape=[2, 2, 3], dtype=float32, place=Place(cpu), stop_gradient=True,
[[[0., 0., 0.],
  [0., 0., 0.]],
 [[1., 2., 3.],
  [0., 0., 0.]]])

>>> # example 5
>>> 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, [1, 0, 0, 1, 0, 0], value=0, mode='constant', pad_from_left_axis=False)
>>> print(y)
Tensor(shape=[1, 2, 4], dtype=float32, place=Place(cpu), stop_gradient=True,
[[[0., 1., 2., 3.],
  [0., 0., 0., 0.]]])

>>> # example 6
>>> 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, [1, 0, 0, 1], value=0, mode='constant')
>>> print(y)
Tensor(shape=[1, 2, 4], dtype=float32, place=Place(cpu), stop_gradient=True,
[[[0., 1., 2., 3.],
  [0., 0., 0., 0.]]])

         