TensorFlow2.0（4）：填充與復制

 

 

 

注：本系列所有博客將持續更新並發布在github上，您可以通過github下載本系列所有文章筆記文件。

 

1 pad()¶

 

tf.pad函數主要是用來對tensor的大小進行擴展，包括水平、垂直、深度(通道)等,方法定義如下：

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

輸入參數：

• tensor:輸入的tensor

• paddings:設置填充的大小

• mode:填充方式，默認是CONSTANT,還有REFLECT和SYMMETRIC

• name:名稱

• constant_values：CONSTANT填充方式的填充值,默認是0

參數paddings必須是形狀為（n, 2）的一個list，這里的n是tensor的秩，也就是維度大小。例如當tensor為一個shape為（12，）的tensor時，paddings必須是形如[[x，y]]的一個list，x表示在第一維度前填充值的個數，y表示在第一維度后填充值的個數：

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表示在第一維度前填充3個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)>

 

當tensor是二維時，paddings必須是shape為（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)  # 第一維度前后各填充一行，第二維度前填充兩行，后不填充，填充值為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)>

 

對於3維tensor，paddings是一個shape為（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]])  # 第一維度前填充1塊數據，后不填充，第二維度前后各填充1行，第三維度前填充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)>

 

當指定填充模式mode為'REFLECT'時，指的是以各維度邊緣為對稱軸進行填充（不包括邊緣數據也就是對稱軸本身），且填充的規模不能大於該維度原有規模-1：

In [14]:

tf.pad(a, [[2,1],[3,1]],mode='REFLECT')  # 對第二個維度填充時，如果大於3就回產生異常，因為3已經可以把第二維度所有數據復制一遍

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填充模式與REFLECT填充模式一樣，都是以邊緣為對稱軸進行賦值填充，不過SYMMETRIC模式會對對稱軸進行賦值，所以指定的規模最大可以為原規模：

In [15]:

tf.pad(a, [[2,1],[4,1]],mode='SYMMETRIC')  # 這時候對第二個維度填充規模可以為4，但是超過4舊貨產生異常

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()方法對指定維度進行復制，定義如下：

tile(input, multiples, name=None)：

• input：需要復制的tensor
• multiples: 各維度需要復制的次數，0表示去除數據，1表示不復制，2表示復制一次

參數multiples是一個長度與tensor的秩相等的list，例如當tensor的shape為（12，）時，multiples的shape也必須為只有一個元素的list，例如multiples=[2],表示對第一維度復制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)>

 

當tensor的shape為（3,4）時，multiples是一個包含兩個元素的list：

In [23]:

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

In [24]:

tf.tile(a, [2,3])  # 第一維度復制1次，第二維度復制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)>

 

當tensor的shape為(2,2,3時，multiples是一個包含3個元素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)>