PyTorch之图像和Tensor填充的示例分析

小编给大家分享一下PyTorch之图像和Tensor填充的示例分析，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！

在PyTorch中可以对图像和Tensor进行填充，如常量值填充，镜像填充和复制填充等。在图像预处理阶段设置图像边界填充的方式如下：

import vision.torchvision.transforms as transforms   img_to_pad = transforms.Compose([     transforms.Pad(padding=2, padding_mode='symmetric'),     transforms.ToTensor(),    ])

对Tensor进行填充的方式如下：

import torch.nn.functional as F   feature = feature.unsqueeze(0).unsqueeze(0) avg_feature = F.pad(feature, pad = [1, 1, 1, 1], mode='replicate')

这里需要注意一点的是，transforms.Pad只能对PIL图像格式进行填充，而F.pad可以对Tensor进行填充，目前F.pad不支持对2D Tensor进行填充，可以通过unsqueeze扩展为4D Tensor进行填充。

F.pad的部分源码如下：

@torch._jit_internal.weak_script def pad(input, pad, mode='constant', value=0):  # type: (Tensor, List[int], str, float) -> Tensor  r"""Pads tensor.  Pading size:   The number of dimensions to pad is :math:`\left\lfloor\frac{\text{len(pad)}}{2}\right\rfloor`   and the dimensions that get padded begins with the last dimension and moves forward.   For example, to pad the last dimension of the input tensor, then `pad` has form   `(padLeft, padRight)`; to pad the last 2 dimensions of the input tensor, then use   `(padLeft, padRight, padTop, padBottom)`; to pad the last 3 dimensions, use   `(padLeft, padRight, padTop, padBottom, padFront, padBack)`.  Padding mode:   See :class:`torch.nn.ConstantPad2d`, :class:`torch.nn.ReflectionPad2d`, and   :class:`torch.nn.ReplicationPad2d` for concrete examples on how each of the   padding modes works. Constant padding is implemented for arbitrary dimensions.   Replicate padding is implemented for padding the last 3 dimensions of 5D input   tensor, or the last 2 dimensions of 4D input tensor, or the last dimension of   3D input tensor. Reflect padding is only implemented for padding the last 2   dimensions of 4D input tensor, or the last dimension of 3D input tensor.  .. include:: cuda_deterministic_backward.rst  Args:   input (Tensor): `Nd` tensor   pad (tuple): m-elem tuple, where :math:`\frac{m}{2} \leq` input dimensions and :math:`m` is even.   mode: 'constant', 'reflect' or 'replicate'. Default: 'constant'   value: fill value for 'constant' padding. Default: 0  Examples::   >>> t4d = torch.empty(3, 3, 4, 2)   >>> p1d = (1, 1) # pad last dim by 1 on each side   >>> out = F.pad(t4d, p1d, "constant", 0) # effectively zero padding   >>> print(out.data.size())   torch.Size([3, 3, 4, 4])   >>> p2d = (1, 1, 2, 2) # pad last dim by (1, 1) and 2nd to last by (2, 2)   >>> out = F.pad(t4d, p2d, "constant", 0)   >>> print(out.data.size())   torch.Size([3, 3, 8, 4])   >>> t4d = torch.empty(3, 3, 4, 2)   >>> p3d = (0, 1, 2, 1, 3, 3) # pad by (0, 1), (2, 1), and (3, 3)   >>> out = F.pad(t4d, p3d, "constant", 0)   >>> print(out.data.size())   torch.Size([3, 9, 7, 3])  """  assert len(pad) % 2 == 0, 'Padding length must be divisible by 2'  assert len(pad) // 2 <= input.dim(), 'Padding length too large'  if mode == 'constant':   ret = _VF.constant_pad_nd(input, pad, value)  else:   assert value == 0, 'Padding mode "{}"" doesn\'t take in value argument'.format(mode)   if input.dim() == 3:    assert len(pad) == 2, '3D tensors expect 2 values for padding'    if mode == 'reflect':     ret = torch._C._nn.reflection_pad1d(input, pad)    elif mode == 'replicate':     ret = torch._C._nn.replication_pad1d(input, pad)    else:     ret = input # TODO: remove this when jit raise supports control flow     raise NotImplementedError     elif input.dim() == 4:    assert len(pad) == 4, '4D tensors expect 4 values for padding'    if mode == 'reflect':     ret = torch._C._nn.reflection_pad2d(input, pad)    elif mode == 'replicate':     ret = torch._C._nn.replication_pad2d(input, pad)    else:     ret = input # TODO: remove this when jit raise supports control flow     raise NotImplementedError     elif input.dim() == 5:    assert len(pad) == 6, '5D tensors expect 6 values for padding'    if mode == 'reflect':     ret = input # TODO: remove this when jit raise supports control flow     raise NotImplementedError    elif mode == 'replicate':     ret = torch._C._nn.replication_pad3d(input, pad)    else:     ret = input # TODO: remove this when jit raise supports control flow     raise NotImplementedError   else:    ret = input # TODO: remove this when jit raise supports control flow    raise NotImplementedError("Only 3D, 4D, 5D padding with non-constant padding are supported for now")  return ret

以上是“PyTorch之图像和Tensor填充的示例分析”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注亿速云行业资讯频道！