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])