pytorch的padding设置多少可以让输出与输入一致 pytorch padding mode

1. 选用卷积之前填充（强烈建议）

小生非常推荐大家不再使用卷积所带的填充方式，虽然那种方式简单，但缺陷太多。① 不能根据自己的需要来决定上与下填充不等的边界，左右填充不等的边界；② 边界填充零容易出现伪影的情况，对实验效果影响比较大。将卷积中的Padding方式换为卷积前Padding效果会更佳，以下列了四种填充方式（零填充，常数填充，镜像填充，复制填充）。

　　小生就不赘言了，客官请下观~~

2. 边界填充之零填充

零填充是常数填充的特例，这种填充方式和卷积中的填充的类似，都是填充零元素，不过这个比卷积填充更灵活，我们可以根据自己的需要再上下左右分别填充相应的0元素。

2.1 Code

1 import torch
 2 import torch.nn as nn
 3 
 4 
 5 # ==================  零填充  ==================
 6 def conv_ZeroPad2d():
 7     # 定义一个四维数据：(batchSize, channel, height, width)
 8     data = torch.tensor([[[[1, 2, 3],
 9                            [4, 5, 6],
10                            [7, 8, 9]]]]).float()
11     print("data_shape: ", data.shape)
12     print("data: ", data)
13     # 零填充，在边界填充n个0,分别为：左、右、上、下
14     ZeroPad = nn.ZeroPad2d(padding=(1, 2, 1, 2))
15     data1 = ZeroPad(data)
16     print("data1_shape: ", data1.shape)
17     print("data1: ", data1)
18 
19 
20 if __name__ == '__main__':
21     conv_ZeroPad2d()

2.2 结果显示

可以看到，分别在左边填充1列0元素，右边填充2列0元素，上边填充1列0元素，下边填充2列0元素。

          

3. 边界填充之常数填充

　　常数填充方式， 可以根据自己的需要在上下左右分别填充指定的元素。

3.1 Code

1 import torch
 2 
 3 
 4 # ================== 常量填充 ==================
 5 def conv_ConstantPad2d():
 6     # 定义一个四维数据：(batchSize, channel, height, width)
 7     data = torch.tensor([[[[1, 2, 3],
 8                            [4, 5, 6],
 9                            [7, 8, 9]]]]).float()
10     print("data_shape: ", data.shape)
11     print("data: ", data)
12     # 用给定的纸填充，0填充是常亮填充的特列，分别为：左、右、上、下
13     ConstantPad = nn.ConstantPad2d(padding=(1, 2, 1, 2), value=10)
14     data1 = ConstantPad(data)
15     print("data1_shape: ", data1.shape)
16     print("data1: ", data1)
17 
18 
19 if __name__ == '__main__':
20     conv_ConstantPad2d()

 

3.2 结果显示

可以看到，分别在左边填充1列10元素，右边填充2列10元素，上边填充1列10元素，下边填充2列10元素。

       

4. 边界填充之镜像填充

镜像填充方式是根据对称性来填充的。

4.1 Code

1 import torch 
 2 
 3 
 4 # ================== 镜像填充 ==================
 5 def conv_ReflectionPad2d():
 6     # 定义一个四维数据：(batchSize, channel, height, width)
 7     data = torch.tensor([[[[1, 2, 3],
 8                            [4, 5, 6],
 9                            [7, 8, 9]]]]).float()
10     print("data_shape: ", data.shape)
11     print("data: ", data)
12     # 复制边界n次，分别为：左、右、上、下
13     ReflectionPad = nn.ReflectionPad2d(padding=(1, 2, 1, 2))
14     data1 = ReflectionPad(data)
15     print("data1_shape: ", data1.shape)
16     print("data1: ", data1)
17 
18 
19 if __name__ == '__main__':
20     conv_ReflectionPad2d()

4.2 结果显示

 

5. 边界填充之复制填充

复制填充方式，小生非常推荐。复制填充是复制最外边界的元素来填充，这样填充的元素与边界元素相近，对实验结果的影响会降到最小。

5.1 Code

1 import torch
 2 
 3 
 4 # ================== 重复填充 ==================
 5 def conv_ReplicationPad2d():
 6     # 定义一个四维数据：(batchSize, channel, height, width)
 7     data = torch.tensor([[[[1, 2, 3],
 8                            [4, 5, 6],
 9                            [7, 8, 9]]]]).float()
10     print("data_shape: ", data.shape)
11     print("data: ", data)
12     # 用对称位置的像素来填充,分别为：左、右、上、下
13     ReplicationPad = nn.ReplicationPad2d(padding=(1, 2, 1, 2))
14     data1 = ReplicationPad(data)
15     print("data1_shape: ", data1.shape)
16     print("data1: ", data1)
17 
18 
19 if __name__ == '__main__':
20     conv_ReplicationPad2d()

5.2 结果显示

可以看到，填充的元素与最外边界的元素相同。

  

6. 总结

不和深夜还在摆摊的小贩讨价还价。愿我的博客对你有所帮助(*^▽^*)(*^▽^*)！

　　如果客官喜欢小生的园子，记得关注小生哟，小生会持续更新(#^.^#)(#^.^#)！

 

但行好事 莫问前程