【Python】nn.nn.CircularPad1、2、3d函数和nn.ConstantPad1、2、3d函数详 ...

前言

在深度学习中，尤其是在处置惩罚图像、音频或其他多维数据时，数据添补（Padding）是一个常见的操作。添补不仅可以保持数据的空间维度，还能在卷积操作中制止信息丢失。PyTorch提供了多种添补方式，此中nn.CircularPadXd和nn.ConstantPadXd是两种常用的添补方法。本文将详细介绍nn.CircularPad1d、nn.CircularPad2d、nn.CircularPad3d以及nn.ConstantPad1d、nn.ConstantPad2d、nn.ConstantPad3d的函数原型、用法示例，并总结它们的特点。

  
函数原型

nn.CircularPadXd

nn.CircularPadXd（此中X可以是1、2或3）类用于利用循环添补（circular padding）方式添补输入张量（tensor）的边界。循环添补意味着在添补时利用输入张量边界的值来添补另一端。
nn.CircularPad1d(padding): 一维数据的循环添补。
nn.CircularPad2d(padding): 二维数据的循环添补，常用于图像。
nn.CircularPad3d(padding): 三维数据的循环添补，适用于视频帧或体积数据。
padding参数可以是一个整数或元组（tuple），表示在每个维度上的添补巨细。
nn.ConstantPadXd

nn.ConstantPadXd（此中X可以是1、2或3）类用于利用常数添补（constant padding）方式添补输入张量的边界。
nn.ConstantPad1d(padding, value): 一维数据的常数添补。
nn.ConstantPad2d(padding, value): 二维数据的常数添补，常用于图像。
nn.ConstantPad3d(padding, value): 三维数据的常数添补，适用于视频帧或体积数据。
padding参数同上，value参数指定了添补的常数值。
示例

nn.CircularPad1、2、3d 示例

1. import torch
2. import torch.nn as nn
4. # 示例：nn.CircularPad2d
5. input = torch.arange(9, dtype=torch.float).reshape(1, 1, 3, 3)
6. print("Input:")
7. print(input)
9. pad = nn.CircularPad2d(1)
10. output = pad(input)
11. print("Output with CircularPad2d:")
12. print(output)
14. # 使用不同的填充大小
15. pad = nn.CircularPad2d((1, 2, 0, 1))
16. output = pad(input)
17. print("Output with different padding:")
18. print(output)

复制代码

nn.ConstantPad1、2、3d 示例

1. import torch
2. import torch.nn as nn
3. # 示例：nn.ConstantPad2d
4. input = torch.arange(9, dtype=torch.float).reshape(1, 1, 3, 3)
5. print("Input:")
6. print(input)
8. pad = nn.ConstantPad2d((1, 2, 0, 1), value=10.0)
9. output = pad(input)
10. print("Output with ConstantPad2d:")
11. print(output)
12. print("***********************************")
13. # 三维数据示例
14. input_3d = torch.randn(1, 1, 2, 3, 4)
15. pad_3d = nn.ConstantPad3d((1, 2, 0, 1, 2, 3), value=5.0)
16. output_3d = pad_3d(input_3d)
17. print("Output with ConstantPad3d:")
18. print(output_3d)

复制代码

小结

nn.CircularPadXd：利用循环添补方式，通过在张量边界值之间循环来添补数据。这对于需要保持数据连续性的场景特殊有用。
nn.ConstantPadXd：利用指定的常数值来添补张量的边界。这种添补方式简单直接，适用于不需要特殊边界处置惩罚的场景。
无论是循环添补还是常数添补，都是深度学习中常用的数据预处置惩罚技术，它们能够帮助我们更好地控制数据的维度和边界条件，从而优化模型的训练结果。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。