TensorFlow2.0（4）：填充与复制

 

注：本系列所有博客将持续更新并发布在github上，您可以通过github下载本系列所有文章笔记文件。

 

1 pad()¶

 

tf.pad函数主要是用来对tensor的大小进行扩展，包括水平、垂直、深度(通道)等,方法定义如下：

pad(tensor, paddings, mode="CONSTANT", name=None, constant_values=0)

输入参数：

• tensor:输入的tensor

• paddings:设置填充的大小

• mode:填充方式，默认是CONSTANT,还有REFLECT和SYMMETRIC

• name:名称

• constant_values：CONSTANT填充方式的填充值,默认是0

参数paddings必须是形状为（n, 2）的一个list，这里的n是tensor的秩，也就是维度大小。例如当tensor为一个shape为（12，）的tensor时，paddings必须是形如[[x，y]]的一个list，x表示在第一维度前填充值的个数，y表示在第一维度后填充值的个数：

In [1]:

import tensorflow as tf

In [2]:

a = tf.range(1,13)

In [3]:

a

Out[3]:

<tf.Tensor: id=3, shape=(12,), dtype=int32, numpy=array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12], dtype=int32)>

In [4]:

tf.pad(a, [[3,0]])  # 3表示在第一维度前填充3个0,0表示不填充

Out[4]:

<tf.Tensor: id=5, shape=(15,), dtype=int32, numpy=
array([ 0,  0,  0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12],
      dtype=int32)>

 

当tensor是二维时，paddings必须是shape为（2,2）的list：

In [5]:

a = tf.reshape(a, [3, 4])

In [6]:

a

Out[6]:

<tf.Tensor: id=7, shape=(3, 4), dtype=int32, numpy=
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]], dtype=int32)>

In [7]:

tf.pad(a, [[1,1],[3,0]], constant_values=3)  # 第一维度前后各填充一行，第二维度前填充两行，后不填充，填充值为3

Out[7]:

<tf.Tensor: id=10, shape=(5, 7), dtype=int32, numpy=
array([[ 3,  3,  3,  3,  3,  3,  3],
       [ 3,  3,  3,  1,  2,  3,  4],
       [ 3,  3,  3,  5,  6,  7,  8],
       [ 3,  3,  3,  9, 10, 11, 12],
       [ 3,  3,  3,  3,  3,  3,  3]], dtype=int32)>

 

对于3维tensor，paddings是一个shape为（3,2）的list：

In [8]:

a = tf.reshape(a, [2, 2, 3])

In [9]:

a

Out[9]:

<tf.Tensor: id=12, shape=(2, 2, 3), dtype=int32, numpy=
array([[[ 1,  2,  3],
        [ 4,  5,  6]],

       [[ 7,  8,  9],
        [10, 11, 12]]], dtype=int32)>

In [10]:

tf.pad(a, [[1, 0],[1,1],[1,0]])  # 第一维度前填充1块数据，后不填充，第二维度前后各填充1行，第三维度前填充1列，后不填充

Out[10]:

<tf.Tensor: id=14, shape=(3, 4, 4), dtype=int32, numpy=
array([[[ 0,  0,  0,  0],
        [ 0,  0,  0,  0],
        [ 0,  0,  0,  0],
        [ 0,  0,  0,  0]],

       [[ 0,  0,  0,  0],
        [ 0,  1,  2,  3],
        [ 0,  4,  5,  6],
        [ 0,  0,  0,  0]],

       [[ 0,  0,  0,  0],
        [ 0,  7,  8,  9],
        [ 0, 10, 11, 12],
        [ 0,  0,  0,  0]]], dtype=int32)>

In [11]:

a = tf.range(1,13)

In [12]:

a = tf.reshape(a,[3,4])

In [13]:

a

Out[13]:

<tf.Tensor: id=20, shape=(3, 4), dtype=int32, numpy=
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]], dtype=int32)>

 

当指定填充模式mode为'REFLECT'时，指的是以各维度边缘为对称轴进行填充（不包括边缘数据也就是对称轴本身），且填充的规模不能大于该维度原有规模-1：

In [14]:

tf.pad(a, [[2,1],[3,1]],mode='REFLECT')  # 对第二个维度填充时，如果大于3就回产生异常，因为3已经可以把第二维度所有数据复制一遍

Out[14]:

<tf.Tensor: id=22, shape=(6, 8), dtype=int32, numpy=
array([[12, 11, 10,  9, 10, 11, 12, 11],
       [ 8,  7,  6,  5,  6,  7,  8,  7],
       [ 4,  3,  2,  1,  2,  3,  4,  3],
       [ 8,  7,  6,  5,  6,  7,  8,  7],
       [12, 11, 10,  9, 10, 11, 12, 11],
       [ 8,  7,  6,  5,  6,  7,  8,  7]], dtype=int32)>

 

SYMMETRIC填充模式与REFLECT填充模式一样，都是以边缘为对称轴进行赋值填充，不过SYMMETRIC模式会对对称轴进行赋值，所以指定的规模最大可以为原规模：

In [15]:

tf.pad(a, [[2,1],[4,1]],mode='SYMMETRIC')  # 这时候对第二个维度填充规模可以为4，但是超过4旧货产生异常

Out[15]:

<tf.Tensor: id=24, shape=(6, 9), dtype=int32, numpy=
array([[ 8,  7,  6,  5,  5,  6,  7,  8,  8],
       [ 4,  3,  2,  1,  1,  2,  3,  4,  4],
       [ 4,  3,  2,  1,  1,  2,  3,  4,  4],
       [ 8,  7,  6,  5,  5,  6,  7,  8,  8],
       [12, 11, 10,  9,  9, 10, 11, 12, 12],
       [12, 11, 10,  9,  9, 10, 11, 12, 12]], dtype=int32)>

 

2 tile()¶

tile()方法对指定维度进行复制，定义如下：

tile(input, multiples, name=None)：

• input：需要复制的tensor
• multiples: 各维度需要复制的次数，0表示去除数据，1表示不复制，2表示复制一次

参数multiples是一个长度与tensor的秩相等的list，例如当tensor的shape为（12，）时，multiples的shape也必须为只有一个元素的list，例如multiples=[2],表示对第一维度复制1次：

In [21]:

a = tf.range(12)

In [22]:

tf.tile(a,[2])

Out[22]:

<tf.Tensor: id=33, shape=(24,), dtype=int32, numpy=
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11,  0,  1,  2,  3,  4,
        5,  6,  7,  8,  9, 10, 11], dtype=int32)>

 

当tensor的shape为（3,4）时，multiples是一个包含两个元素的list：

In [23]:

a = tf.reshape(a, [3,4])

In [24]:

tf.tile(a, [2,3])  # 第一维度复制1次，第二维度复制2次

Out[24]:

<tf.Tensor: id=37, shape=(6, 12), dtype=int32, numpy=
array([[ 0,  1,  2,  3,  0,  1,  2,  3,  0,  1,  2,  3],
       [ 4,  5,  6,  7,  4,  5,  6,  7,  4,  5,  6,  7],
       [ 8,  9, 10, 11,  8,  9, 10, 11,  8,  9, 10, 11],
       [ 0,  1,  2,  3,  0,  1,  2,  3,  0,  1,  2,  3],
       [ 4,  5,  6,  7,  4,  5,  6,  7,  4,  5,  6,  7],
       [ 8,  9, 10, 11,  8,  9, 10, 11,  8,  9, 10, 11]], dtype=int32)>

 

当tensor的shape为(2,2,3时，multiples是一个包含3个元素list：

In [25]:

a = tf.reshape(a, [2,2,3])

In [26]:

tf.tile(a, [2,1,2])

Out[26]:

<tf.Tensor: id=41, shape=(4, 2, 6), dtype=int32, numpy=
array([[[ 0,  1,  2,  0,  1,  2],
        [ 3,  4,  5,  3,  4,  5]],

       [[ 6,  7,  8,  6,  7,  8],
        [ 9, 10, 11,  9, 10, 11]],

       [[ 0,  1,  2,  0,  1,  2],
        [ 3,  4,  5,  3,  4,  5]],

       [[ 6,  7,  8,  6,  7,  8],
        [ 9, 10, 11,  9, 10, 11]]], dtype=int32)>