forked from huawei/mindspore2022
42 lines
2.4 KiB
ReStructuredText
42 lines
2.4 KiB
ReStructuredText
mindspore.nn.Pad
|
||
=================
|
||
|
||
.. py:class:: mindspore.nn.Pad(paddings, mode='CONSTANT')
|
||
|
||
根据 `paddings` 和 `mode` 对输入进行填充。
|
||
|
||
**参数：**
|
||
|
||
- **paddings** (tuple) - 填充大小，其shape为(N, 2)，N是输入数据的维度，填充的元素为int类型。对于 `x` 的第 `D` 个维度，paddings[D, 0]表示要在输入Tensor的第 `D` 个维度之前扩展的大小，paddings[D, 1]表示在输入Tensor的第 `D` 个维度后面要扩展的大小。每个维度填充后的大小为： :math:`paddings[D, 0] + input\_x.dim\_size(D) + paddings[D, 1]`
|
||
|
||
.. code-block::
|
||
|
||
# 假设参数和输入如下：
|
||
mode = "CONSTANT".
|
||
paddings = [[1,1], [2,2]].
|
||
x = [[1,2,3], [4,5,6], [7,8,9]].
|
||
# `x` 的第一个维度为3， `x` 的第二个维度为3。
|
||
# 根据以上公式可得：
|
||
# 输出的第一个维度是paddings[0][0] + 3 + paddings[0][1] = 1 + 3 + 1 = 5。
|
||
# 输出的第二个维度是paddings[1][0] + 3 + paddings[1][1] = 2 + 3 + 2 = 7。
|
||
# 所以最终的输出shape为(5, 7)
|
||
|
||
- **mode** (str) - 指定填充模式。取值为"CONSTANT"，"REFLECT"，"SYMMETRIC"。默认值："CONSTANT"。
|
||
|
||
**输入：**
|
||
|
||
- **x** (Tensor) - 输入Tensor。
|
||
|
||
**输出：**
|
||
|
||
Tensor，填充后的Tensor。
|
||
|
||
- 如果 `mode` 为"CONSTANT"， `x` 使用0进行填充。例如， `x` 为[[1,2,3]，[4,5,6]，[7,8,9]]， `paddings` 为[[1,1]，[2,2]]，则输出为[[0,0,0,0,0,0,0]，[0,0,1,2,3,0,0]，[0,0,4,5,6,0,0]，[0,0,7,8,9,0,0]，[0,0,0,0,0,0,0]]。
|
||
- 如果 `mode` 为"REFLECT"， `x` 使用对称轴进行对称复制的方式进行填充（复制时不包括对称轴）。例如 `x` 为[[1,2,3]，[4,5,6]，[7,8,9]]， `paddings` 为[[1,1]，[2,2]]，则输出为[[6,5,4,5,6,5,4]，[3,2,1,2,3,2,1]，[6,5,4,5,6,5,4]，[9,8,7,8,9,8,7]，[6,5,4,5,6,5,4]]。
|
||
- 如果 `mode` 为"SYMMETRIC"，此填充方法类似于"REFLECT"。也是根据对称轴填充，包含对称轴。例如 `x` 为[[1,2,3]，[4,5,6]，[7,8,9]]， `paddings` 为[[1,1]，[2,2]]，则输出为[[2,1,1,2,3,3,2]，[2,1,1,2,3,3,2]，[5,4,4,5,6,6,5]，[8,7,7,8,9,9,8]，[8,7,7,8,9,9,8]]。
|
||
|
||
**异常：**
|
||
|
||
- **TypeError** - `paddings` 不是tuple。
|
||
- **ValueError** - `paddings` 的长度超过4或其shape不是(N, 2)。
|
||
- **ValueError** - `mode` 不是'CONSTANT'，'REFLECT'或'SYMMETRIC'。 |