PyTorch ---- torch.nn.function.pad 函数用法（补充维度上的数值）

1.二维数组：对最内部元素左侧增加元素（例如 1 的左侧）

a = torch.tensor([[1, 2, 3, 4], [1, 2, 3, 4]])
a1 = torch.nn.functional.pad(a, pad=(1, 0, 0, 0), mode='constant', value=1)
print("a = ", a)
print("a1 = ", a1)

运行结果：

a =  tensor([[1, 2, 3, 4],
        [1, 2, 3, 4]])
a1 =  tensor([[1, 1, 2, 3, 4],
        [1, 1, 2, 3, 4]])

2.二维数组：对最内部元素右侧增加元素（例如 4 右侧）

a = torch.tensor([[1, 2, 3, 4], [1, 2, 3, 4]])
a1 = torch.nn.functional.pad(a, pad=(0, 1, 0, 0), mode='constant', value=1)
print("a = ", a)
print("a1 = ", a1)

运行结果：

a =  tensor([[1, 2, 3, 4],
        [1, 2, 3, 4]])
a1 =  tensor([[1, 2, 3, 4, 1],
        [1, 2, 3, 4, 1]])

3.二维数组：对最内部一维数组左侧增加元素（例如 [1, 2, 3, 4] 左侧）

a = torch.tensor([[1, 2, 3, 4], [1, 2, 3, 4]])
a1 = torch.nn.functional.pad(a, pad=(0, 0, 1, 0), mode='constant', value=1)
print("a = ", a)
print("a1 = ", a1)

运行结果：

a =  tensor([[1, 2, 3, 4],
        [1, 2, 3, 4]])
a1 =  tensor([[1, 1, 1, 1],
        [1, 2, 3, 4],
        [1, 2, 3, 4]])

4.二维数组：对最内部一维数组右侧增加元素（例如 [1, 2, 3, 4] 右侧）

a = torch.tensor([[1, 2, 3, 4], [1, 2, 3, 4]])
a1 = torch.nn.functional.pad(a, pad=(0, 0, 0, 1), mode='constant', value=1)
print("a = ", a)
print("a1 = ", a1)

运行结果：

a =  tensor([[1, 2, 3, 4],
        [1, 2, 3, 4]])
a1 =  tensor([[1, 2, 3, 4],
        [1, 2, 3, 4],
        [1, 1, 1, 1]])

5.三维数组：对最内部元素左侧增加元素（例如 1 左侧）

a = torch.tensor([[[1, 2, 3, 4], [5, 6, 7, 8]], [[1, 2, 3, 4], [5, 6, 7, 8]]])
a1 = torch.nn.functional.pad(a, pad=(1, 0, 0, 0, 0, 0), mode='constant', value=1)
print("a = ", a)
print("a1 = ", a1)

运行结果：

a =  tensor([[[1, 2, 3, 4],
         [5, 6, 7, 8]],


        [[1, 2, 3, 4],
         [5, 6, 7, 8]]])
a1 =  tensor([[[1, 1, 2, 3, 4],
         [1, 5, 6, 7, 8]],


        [[1, 1, 2, 3, 4],
         [1, 5, 6, 7, 8]]])

6.三维数组：对最内部元素右侧增加元素（例如 4 右侧）

a = torch.tensor([[[1, 2, 3, 4], [5, 6, 7, 8]], [[1, 2, 3, 4], [5, 6, 7, 8]]])
a1 = torch.nn.functional.pad(a, pad=(0, 1, 0, 0, 0, 0), mode='constant', value=1)
print("a = ", a)
print("a1 = ", a1)

运行结果：

a =  tensor([[[1, 2, 3, 4],
         [5, 6, 7, 8]],


        [[1, 2, 3, 4],
         [5, 6, 7, 8]]])
a1 =  tensor([[[1, 2, 3, 4, 1],
         [5, 6, 7, 8, 1]],


        [[1, 2, 3, 4, 1],
         [5, 6, 7, 8, 1]]])

7.三维数组：对最内部一维数组左侧增加元素（例如 [1, 2, 3, 4] 左侧）

a = torch.tensor([[[1, 2, 3, 4], [5, 6, 7, 8]], [[1, 2, 3, 4], [5, 6, 7, 8]]])
a1 = torch.nn.functional.pad(a, pad=(0, 0, 1, 0, 0, 0), mode='constant', value=1)
print("a = ", a)
print("a1 = ", a1)

运行结果：

a =  tensor([[[1, 2, 3, 4],
         [5, 6, 7, 8]],


        [[1, 2, 3, 4],
         [5, 6, 7, 8]]])
a1 =  tensor([[[1, 1, 1, 1],
         [1, 2, 3, 4],
         [5, 6, 7, 8]],


        [[1, 1, 1, 1],
         [1, 2, 3, 4],
         [5, 6, 7, 8]]])

8.三维数组：对最内部一维数组右侧增加元素（例如 [5, 6, 7, 8] 右侧）

a = torch.tensor([[[1, 2, 3, 4], [5, 6, 7, 8]], [[1, 2, 3, 4], [5, 6, 7, 8]]])
a1 = torch.nn.functional.pad(a, pad=(0, 0, 0, 1, 0, 0), mode='constant', value=1)
print("a = ", a)
print("a1 = ", a1)

运行结果：

a =  tensor([[[1, 2, 3, 4],
         [5, 6, 7, 8]],
        [[1, 2, 3, 4],
         [5, 6, 7, 8]]])
a1 =  tensor([[[1, 2, 3, 4],
         [5, 6, 7, 8],
         [1, 1, 1, 1]],
        [[1, 2, 3, 4],
         [5, 6, 7, 8],
         [1, 1, 1, 1]]])

9.三维数组：对最内部二维数组左侧增加元素（例如 [[1, 2, 3, 4], [5, 6, 7, 8]] 左侧）

a = torch.tensor([[[1, 2, 3, 4], [5, 6, 7, 8]], [[1, 2, 3, 4], [5, 6, 7, 8]]])
a1 = torch.nn.functional.pad(a, pad=(0, 0, 0, 0, 1, 0), mode='constant', value=1)
print("a = ", a)
print("a1 = ", a1)
运行结果：

a =  tensor([[[1, 2, 3, 4],
         [5, 6, 7, 8]],


        [[1, 2, 3, 4],
         [5, 6, 7, 8]]])
a1 =  tensor([[[1, 1, 1, 1],
         [1, 1, 1, 1]],


        [[1, 2, 3, 4],
         [5, 6, 7, 8]],


        [[1, 2, 3, 4],
         [5, 6, 7, 8]]])

10.三维数组：对最内部二维数组左侧增加元素 x2（例如 [[1, 2, 3, 4], [5, 6, 7, 8]] 左侧）

a = torch.tensor([[[1, 2, 3, 4], [5, 6, 7, 8]], [[1, 2, 3, 4], [5, 6, 7, 8]]])
a1 = torch.nn.functional.pad(a, pad=(0, 0, 0, 0, 2, 0), mode='constant', value=1)
print("a = ", a)
print("a1 = ", a1)

运行结果：

a =  tensor([[[1, 2, 3, 4],
         [5, 6, 7, 8]],


        [[1, 2, 3, 4],
         [5, 6, 7, 8]]])
a1 =  tensor([[[1, 1, 1, 1],
         [1, 1, 1, 1]],


        [[1, 1, 1, 1],
         [1, 1, 1, 1]],


        [[1, 2, 3, 4],
         [5, 6, 7, 8]],


        [[1, 2, 3, 4],
         [5, 6, 7, 8]]])

11.三维数组：对最内部二维数组右侧增加元素 （例如 [[11, 22, 33, 44], [55, 66, 77, 88]] 右侧）

a = torch.tensor([[[1, 2, 3, 4], [5, 6, 7, 8]], [[11, 22, 33, 44], [55, 66, 77, 88]]])
a1 = torch.nn.functional.pad(a, pad=(0, 0, 0, 0, 0, 1), mode='constant', value=1)
print("a = ", a)
print("a1 = ", a1)

运行结果：

a =  tensor([[[ 1,  2,  3,  4],
         [ 5,  6,  7,  8]],


        [[11, 22, 33, 44],
         [55, 66, 77, 88]]])
a1 =  tensor([[[ 1,  2,  3,  4],
         [ 5,  6,  7,  8]],


        [[11, 22, 33, 44],
         [55, 66, 77, 88]],


        [[ 1,  1,  1,  1],
         [ 1,  1,  1,  1]]])

12.三维数组：对最内部二维数组右侧增加元素 x2 （例如 [[11, 22, 33, 44], [55, 66, 77, 88]] 右侧）

a = torch.tensor([[[1, 2, 3, 4], [5, 6, 7, 8]], [[11, 22, 33, 44], [55, 66, 77, 88]]])
a1 = torch.nn.functional.pad(a, pad=(0, 0, 0, 0, 0, 2), mode='constant', value=1)
print("a = ", a)
print("a1 = ", a1)

运行结果：

a =  tensor([[[ 1,  2,  3,  4],
         [ 5,  6,  7,  8]],


        [[11, 22, 33, 44],
         [55, 66, 77, 88]]])
a1 =  tensor([[[ 1,  2,  3,  4],
         [ 5,  6,  7,  8]],


        [[11, 22, 33, 44],
         [55, 66, 77, 88]],


        [[ 1,  1,  1,  1],
         [ 1,  1,  1,  1]],


        [[ 1,  1,  1,  1],
         [ 1,  1,  1,  1]]])
©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 216,039评论 6赞 498
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 92,223评论 3赞 392
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 161,916评论 0赞 351
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 58,009评论 1赞 291
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 67,030评论 6赞 388
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 51,011评论 1赞 295
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 39,934评论 3赞 416
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 38,754评论 0赞 271
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 45,202评论 1赞 309
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,433评论 2赞 331
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,590评论 1赞 346
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 35,321评论 5赞 342
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 40,917评论 3赞 325
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,568评论 0赞 21
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,738评论 1赞 268
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 47,583评论 2赞 368
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 44,482评论 2赞 352