反射添加属性（反射填充详解ReflectionPad2d(padding)）
一 、反射填充
这种填充方式是以输入向量的边界为对称轴 ，以设定的padding大小为步长 ，将输入向量的边界内padding大小的元素 ，对称填充 。设定padding时主要注意 ，padding必须小于向量所在维度的大小 。
1 、一维反射填充
1）调用方式
输入形状为(N,C,W_IN)或(C,W_IN)； 输出形状为(N,C,W_out)或(C,W_out)； padding表示填充尺寸 ，可为整数或者2元组；padding为整数时 ，输入向量左右填充相同的大小；而padding为元组时可自定义向量左右分别填充多少； torch.nn.ReflectionPad1d(padding)2）实例
对于一维填充来说 ，其输入为N个宽度为W的向量 ，而每个元素对应有C个通道 。此方式填充只针对他的宽度进行 ，填充点分别为向量左边和右边两个边界 。不同的padding类型（整数或元组） ，决定了左右两边如何填充的方式 。
（1）padding为整数 inp=torch.tensor([[[2., 3., 9., 1., 5.], [6., 4., 0., 5., 0.]]]) print(inp.shape) print("inp:",inp) pad=1 out=nn.ReflectionPad1d(padding=pad)(inp) print("padding={},out:".format(pad),out) print(out.shape)结果分析（绿线代表以此为轴 ，红色代表填充的元素）：
1）当padding=1时 ，表示向量左右两边均以边界为对称轴 ，填充宽度为1的元素 。 torch.Size([1, 2, 5]) inp: tensor([[[2., 3., 9., 1., 5.], [6., 4., 0., 5., 0.]]]) padding=1,out: tensor([[[3., 2., 3., 9., 1., 5., 1.], [4., 6., 4., 0., 5., 0., 5.]]]) torch.Size([1, 2, 7])2）当padding=2时 ，表示向量左右两边均以边界为对称轴 ，填充宽度为2的元素 。
torch.Size([1, 2, 5]) inp: tensor([[[2., 3., 9., 1., 5.], [6., 4., 0., 5., 0.]]]) padding=2,out: tensor([[[9., 3., 2., 3., 9., 1., 5., 1., 9.], [0., 4., 6., 4., 0., 5., 0., 5., 0.]]]) torch.Size([1, 2, 9]) （2）padding为2元组 inp=torch.tensor([[[2., 3., 9., 1., 5.], [6., 4., 0., 5., 0.]]]) print(inp.shape) print("inp:",inp) pad=(1,2) out=nn.ReflectionPad1d(padding=pad)(inp) print("padding={},out:".format(pad),out) print(out.shape)结果分析：
1）当padding=(1,2)时 ，表示向量以边界为对称轴 ，左右两边分别填充宽度为1 、2的元素 。 torch.Size([1, 2, 5]) inp: tensor([[[2., 3., 9., 1., 5.], [6., 4., 0., 5., 0.]]]) padding=(1, 2),out: tensor([[[3., 2., 3., 9., 1., 5., 1., 9.], [4., 6., 4., 0., 5., 0., 5., 0.]]]) torch.Size([1, 2, 8])2 、二维反射填充
1）调用方式
输入形状为(N,C,H_in,W_IN)或(C,H_in,W_IN)； 输出形状为(N,C,H_out,W_out)或(C,H_out,W_out)； padding表示填充尺寸 ，可为整数或者4元组；padding为整数时 ，输入向量左右上下填充相同的大小；而padding为元组时可自定义向量左右上下分别填充多少； torch.nn.ReflectionPad2d(padding)2）实例
对于二维填充来说 ，其输入为N个宽度为H*W的数组 ，而每个元素对应有C个通道 。此方式填充针对他的高度和宽度进行 ，填充点分别为上 、下 、左 、右四个边界 。不同的padding类型（整数或元组） ，决定了四个边界如何填充的方式 。
（1）padding为整数 inp=torch.tensor([[[[8., 3., 6., 2., 7.], [0., 8., 4., 9., 3.]], [[3., 9., 6., 2., 7.], [7., 8., 4., 6., 2.]], [[1., 9., 0., 1., 4.], [7., 8., 1., 0., 3.]]]]) print(inp.shape) print("inp:",inp) pad=1 out=nn.ReflectionPad2d(padding=pad)(inp) print("padding={},out:".format(pad),out) print(out.shape)结果分析（图中白线 、黑线代表以此为轴 ，红色 、绿色块代表填充元素）：
1）当padding=1时 ，表示向量以边界为对称轴 ，左 、右 、上 、下四个边界均填充宽度为1的元素 。
填充按照左 、右 、上 、下的顺序依次填充 。 padding=1,out: tensor([[[[8., 0., 8., 4., 9., 3., 9.], [3., 8., 3., 6., 2., 7., 2.], [8., 0., 8., 4., 9., 3., 9.], [3., 8., 3., 6., 2., 7., 2.]], [[8., 7., 8., 4., 6., 2., 6.], [9., 3., 9., 6., 2., 7., 2.], [8., 7., 8., 4., 6., 2., 6.], [9., 3., 9., 6., 2., 7., 2.]], [[8., 7., 8., 1., 0., 3., 0.], [9., 1., 9., 0., 1., 4., 1.], [8., 7., 8., 1., 0., 3., 0.], [9., 1., 9., 0., 1., 4., 1.]]]]) torch.Size([1, 3, 4, 7]) （1）padding为4元组 inp=torch.tensor([[[[8., 3., 6., 2., 7.], [0., 8., 4., 9., 3.]], [[3., 9., 6., 2., 7.], [7., 8., 4., 6., 2.]], [[1., 9., 0., 1., 4.], [7., 8., 1., 0., 3.]]]]) pad=(2,2,1,1) out=nn.ReflectionPad2d(padding=pad)(inp) print("padding={},out:".format(pad),out) print(out.shape)结果分析：
1）当padding=(2,2,1,1)时 ，表示向量以左 、右 、上 、下边界为对称轴 ，左 、右 、上 、下分别填充宽度为2,2,1,1的元素 。 padding=(2, 2, 1, 1),out: tensor([[[[4., 8., 0., 8., 4., 9., 3., 9., 4.], [6., 3., 8., 3., 6., 2., 7., 2., 6.], [4., 8., 0., 8., 4., 9., 3., 9., 4.], [6., 3., 8., 3., 6., 2., 7., 2., 6.]], [[4., 8., 7., 8., 4., 6., 2., 6., 4.], [6., 9., 3., 9., 6., 2., 7., 2., 6.], [4., 8., 7., 8., 4., 6., 2., 6., 4.], [6., 9., 3., 9., 6., 2., 7., 2., 6.]], [[1., 8., 7., 8., 1., 0., 3., 0., 1.], [0., 9., 1., 9., 0., 1., 4., 1., 0.], [1., 8., 7., 8., 1., 0., 3., 0., 1.], [0., 9., 1., 9., 0., 1., 4., 1., 0.]]]]) torch.Size([1, 3, 4, 9])创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！