Pytorch 四种边界填充方式(Padding)

Posted haifwu

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Pytorch 四种边界填充方式(Padding)相关的知识,希望对你有一定的参考价值。

1. 选用卷积之前填充(强烈建议)

   小生非常推荐大家不再使用卷积所带的填充方式,虽然那种方式简单,但缺陷太多。① 不能根据自己的需要来决定上与下填充不等的边界,左右填充不等的边界;② 边界填充零容易出现伪影的情况,对实验效果影响比较大。将卷积中的Padding方式换为卷积前Padding效果会更佳,以下列了四种填充方式(零填充,常数填充,镜像填充,复制填充)。

  小生就不赘言了,客官请下观~~

2. 边界填充之零填充

  零填充是常数填充的特例,这种填充方式和卷积中的填充的类似,都是填充零元素,不过这个比卷积填充更灵活,我们可以根据自己的需要再上下左右分别填充相应的0元素。

2.1 Code

 1 import torch
 2 import torch.nn as nn
 3 
 4 
 5 # ==================  零填充  ==================
 6 def conv_ZeroPad2d():
 7     # 定义一个四维数据:(batchSize, channel, height, width)
 8     data = torch.tensor([[[[1, 2, 3],
 9                            [4, 5, 6],
10                            [7, 8, 9]]]]).float()
11     print("data_shape: ", data.shape)
12     print("data: ", data)
13     # 零填充,在边界填充n个0,分别为:左、右、上、下
14     ZeroPad = nn.ZeroPad2d(padding=(1, 2, 1, 2))
15     data1 = ZeroPad(data)
16     print("data1_shape: ", data1.shape)
17     print("data1: ", data1)
18 
19 
20 if __name__ == __main__:
21     conv_ZeroPad2d()

2.2 结果显示

    可以看到,分别在左边填充1列0元素,右边填充2列0元素,上边填充1列0元素,下边填充2列0元素。

          技术图片

 3. 边界填充之常数填充

  常数填充方式, 可以根据自己的需要在上下左右分别填充指定的元素。

3.1 Code

 1 import torch
 2 
 3 
 4 # ================== 常量填充 ==================
 5 def conv_ConstantPad2d():
 6     # 定义一个四维数据:(batchSize, channel, height, width)
 7     data = torch.tensor([[[[1, 2, 3],
 8                            [4, 5, 6],
 9                            [7, 8, 9]]]]).float()
10     print("data_shape: ", data.shape)
11     print("data: ", data)
12     # 用给定的纸填充,0填充是常亮填充的特列,分别为:左、右、上、下
13     ConstantPad = nn.ConstantPad2d(padding=(1, 2, 1, 2), value=10)
14     data1 = ConstantPad(data)
15     print("data1_shape: ", data1.shape)
16     print("data1: ", data1)
17 
18 
19 if __name__ == __main__:
20     conv_ConstantPad2d()

 

3.2 结果显示

  可以看到,分别在左边填充1列10元素,右边填充2列10元素,上边填充1列10元素,下边填充2列10元素。

       技术图片

4. 边界填充之镜像填充

   镜像填充方式是根据对称性来填充的。

4.1 Code

 1 import torch 
 2 
 3 
 4 # ================== 镜像填充 ==================
 5 def conv_ReflectionPad2d():
 6     # 定义一个四维数据:(batchSize, channel, height, width)
 7     data = torch.tensor([[[[1, 2, 3],
 8                            [4, 5, 6],
 9                            [7, 8, 9]]]]).float()
10     print("data_shape: ", data.shape)
11     print("data: ", data)
12     # 复制边界n次,分别为:左、右、上、下
13     ReflectionPad = nn.ReflectionPad2d(padding=(1, 2, 1, 2))
14     data1 = ReflectionPad(data)
15     print("data1_shape: ", data1.shape)
16     print("data1: ", data1)
17 
18 
19 if __name__ == __main__:
20     conv_ReflectionPad2d()

4.2 结果显示

  技术图片

5. 边界填充之复制填充

  复制填充方式,小生非常推荐。复制填充是复制最外边界的元素来填充,这样填充的元素与边界元素相近,对实验结果的影响会降到最小。

5.1 Code

 1 import torch
 2 
 3 
 4 # ================== 重复填充 ==================
 5 def conv_ReplicationPad2d():
 6     # 定义一个四维数据:(batchSize, channel, height, width)
 7     data = torch.tensor([[[[1, 2, 3],
 8                            [4, 5, 6],
 9                            [7, 8, 9]]]]).float()
10     print("data_shape: ", data.shape)
11     print("data: ", data)
12     # 用对称位置的像素来填充,分别为:左、右、上、下
13     ReplicationPad = nn.ReplicationPad2d(padding=(1, 2, 1, 2))
14     data1 = ReplicationPad(data)
15     print("data1_shape: ", data1.shape)
16     print("data1: ", data1)
17 
18 
19 if __name__ == __main__:
20     conv_ReplicationPad2d()

5.2 结果显示

   可以看到,填充的元素与最外边界的元素相同。

  技术图片

 6. 总结

  努力去爱周围的每一个人,付出,不一定有收获,但是不付出就一定没有收获! 给街头卖艺的人零钱,不和深夜还在摆摊的小贩讨价还价。愿我的博客对你有所帮助(*^▽^*)(*^▽^*)!

  如果客官喜欢小生的园子,记得关注小生哟,小生会持续更新(#^.^#)(#^.^#)!

 

以上是关于Pytorch 四种边界填充方式(Padding)的主要内容,如果未能解决你的问题,请参考以下文章

深度学习:《PyTorch入门到项目实战》卷积神经网络:填充(padding)和步幅(stride)

卷积层里的填充Padding和步幅Stride 动手学深度学习v2 pytorch

PyTorch:卷积/padding/pooling api

PyTorch:卷积/padding/pooling api

从外部表格边界线填充

在pytorch中实现与TensorFlow类似的"same"方式padding