PyTorch中的中的padding(边缘填充边缘填充)操作方式操作方式
简介简介
我们知道，在对图像执行卷积操作时，如果不对图像边缘进行填充，卷积核将无法到达图像边缘的像素，而且卷积前后图像的
尺寸也会发生变化，这会造成许多麻烦。
因此现在各大深度学习框架的卷积层实现上基本都配备了padding操作，以保证图像输入输出前后的尺寸大小不变。例如，若
卷积核大小为3×3，那么就应该设定padding=1，即填充1层边缘像素；若卷积核大小为7×7，那么就应该设定padding=3，填
充3层边缘像素；也就是padding大小一般设定为核大小的一半。在pytorch的卷积层定义中，默认的padding为零填充。
self.conv = nn.Conv2d(in_channels=3, out_channels=3, kernel_size=7, padding=3)
padding的种类及其的种类及其pytorch定义定义
padding，即边缘填充，可以分为四类：零填充，常数填充，镜像填充，重复填充。
1.零填充零填充
对图像或者张量的边缘进行补零填充操作：
class ZeroPad2d(ConstantPad2d):
# Pads the input tensor boundaries with zero.
def __init__(self, padding):
super(ZeroPad2d, self).__init__(padding, 0)
2.常数填充常数填充
定义一个常数来对图像或者张量的边缘进行填充，若该常数等于0则等价于零填充。
class ConstantPad2d(_ConstantPadNd):
# Pads the input tensor boundaries with a constant value.
def __init__(self, padding, value):
super(ConstantPad2d, self).__init__(value)
self.padding = _quadruple(padding)
3.镜像填充镜像填充
对图像或者张量的边缘进行镜像对称的填充，示例如下：
>>> m = nn.ReflectionPad2d(2)
>>> input = torch.arange(9).reshape(1, 1, 3, 3)
>>> input
(0 ,0 ,.,.) =
0 1 2
3 4 5
6 7 8
[torch.FloatTensor of size (1,1,3,3)]
>>> m(input)
(0 ,0 ,.,.) =
8 7 6 7 8 7 6
5 4 3 4 5 4 3
2 1 0 1 2 1 0
5 4 3 4 5 4 3
8 7 6 7 8 7 6
5 4 3 4 5 4 3
2 1 0 1 2 1 0
class ReflectionPad2d(_ReflectionPadNd):
# Pads the input tensor using the reflection of the input boundary.
def __init__(self, padding):
super(ReflectionPad2d, self).__init__()
self.padding = _quadruple(padding)
4.重复填充重复填充
评论0