torch pad 怎么用

在PyTorch中，`torch.nn.functional.pad`是一个功能函数，用于在张量的边缘添加填充（padding）。它允许你在不影响网络性能的情况下调整输入的尺寸，常用于卷积神经网络（CNN）中保持特征图的大小一致，特别是在使用步长大于1的卷积层时。

`torch.nn.functional.pad(input, padding, mode='constant', value=0)`函数接收四个参数：

1. **input**：一个张量，通常是输入到模型的张量。
2. **padding**：一个整数或元组，表示要在每个维度边角添加的填充。可以是单个数字（均匀填充所有边），也可以是两个元素的元组（分别对应左和右的填充）。
3. **mode**：可选参数，默认为'constant'，可以选择如何处理边缘的填充：
- `'constant'`：填充固定数值，由value参数指定。
- `'reflect'`：通过反射原样复制边界的像素进行填充。
- `'replicate'`：重复边界像素进行填充。
- `'circular'`：将边界看作环形，即最后一个元素和第一个元素相连。
4. **value**：仅在`mode='constant'`时有用，指定填充的固定值，默认为0。

例如，如果你有一个二维张量`input`，你想在其上下各加1个像素的填充，左右各加2个像素的填充，你可以这样做：

import torch

# 假设input是这样的一个小张量
input = torch.tensor([[1, 2], [3, 4]])

# 使用pad函数添加padding
padded_input = torch.nn.functional.pad(input, (2, 4), 'constant', 0)

现在`padded_input`将是一个新的张量，形状变为`(4, 6)`。注意，实际应用时，你需要根据你的具体任务和网络架构来确定合适的填充策略和参数。