tf.pad函数功能介绍

àì夳堔傛蜴生んèń 2023-10-04 14:24 51阅读 0赞

**tf.pad()函数主要是对张量在各个维度上进行填充,该函数的参数如下所示:**

pad(
        tensor,
        paddings,
        mode='CONSTANT',
        name=None
    )

**其中:**

**tensor是待填充的张量  
paddings指出要给tensor的哪个维度进行填充,以及填充方式,要注意的是paddings的rank必须和tensor的rank相同  
mode指出用什么进行填充,’CONSTANT’表示用0进行填充(总共有三种填充方式,本文用CONSTANT予以说明pad函数功能)  
name就是这个节点的名字了**

### 二维张量(向量) ###

测试代码如下:

# 创建一个二维变量,默认执行CONSTANT填充
    vct = tf.Variable(tf.ones([3, 4]), name="vct")
    # 指定填充方式,
    pad1 = np.array([[1, 2], [3, 4]])
    # tf.pad进行填充
    vct_pad1 = tf.pad(vct, pad1, name='pad_1')
    # 创建会话
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        print(sess.run(vct))
        print(sess.run(vct_pad1))

运行结果如下:

![这里写图片描述][70]

上图是 print(sess.run(vct))的执行结果,创建了一个3行4列的二维矩阵

![这里写图片描述][70 1]

上图是print(sess.run(vct\_pad1)的执行结果,由图可得:  
(1) tensor的维度是n,则pad就有n行,因为pad的每一行负责对tensor的某一个维度进行填充.  
(2) 在二维中,pad的第一行对tensor的行进行填充,\[1, 2\]中的第一个元素表示在tensor上面填充1行,第二个元素表示在tensor下面填充2行.  
(3) 在二维中,pad的第二行对tensor的列进行填充,\[3, 4\]中的第一个元素表示在tensor左边填充3列,第二个元素表示在tensor右边填充4列.  
**修改一下pad中的数字,再看一下效果,体会一下.**

### 张量(三维) ###

测试代码如下:

tsr = tf.Variable(tf.ones([2, 3, 4]), name="tsr")
    pad2 = np.array([[0, 0], [1, 2], [3, 4]])
    tsr_pad2 = tf.pad(tsr, pad2, name='pad_2')
    
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        print(sess.run(tsr))
        print(sess.run(tsr_pad2))

运行结果如下

![这里写图片描述][70 2]

上图所示的是print(sess.run(tsr))的运行结果,我定义了一个张量维度是\[2,3,4\],从结果直观理解是,输出讲这个张量处理成了2个向量(3行4列).

![这里写图片描述][70 3]

上图所示是print(sess.run(tsr\_pad2))的运行结果,\[0,0\]表示tensor的第一个维度不填充,后面的跟二维张量填充一样.\*

接下来只对tensor的第一维进行填充,看下效果,仍旧是上面的代码,只是吧pad2那一行改为:

pad2 = np.array([[1, 1], [0, 0], [0, 0]])

运行结果如下:

![这里写图片描述][70 4]

很明显,在原来基础上上下各填充了一个全零二维数组,此时tsr的维度变成\[4,3,4\].

参考博客‘：[https://blog.csdn.net/yy\_diego/article/details/81563160][https_blog.csdn.net_yy_diego_article_details_81563160]

[70]: https://img-blog.csdn.net/20180810134737127?youermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l5X2RpZWdv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70
[70 1]: https://img-blog.csdn.net/20180810135223937?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l5X2RpZWdv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70
[70 2]: https://img-blog.csdn.net/20180810142332852?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l5X2RpZWdv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70
[70 3]: https://img-blog.csdn.net/20180810142819900?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l5X2RpZWdv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70
[70 4]: https://img-blog.csdn.net/20180810143741385?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3l5X2RpZWdv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70
[https_blog.csdn.net_yy_diego_article_details_81563160]: https://blog.csdn.net/yy_diego/article/details/81563160