（转载）Numpy学习（1）——数组填充np.pad()函数的应用

 

【时间】2018.11.02

【题目】（转载）Numpy学习——数组填充np.pad()函数的应用

概述

本文转载自 http://www.th7.cn/Program/Python/201712/1284487.shtml ，主要讲述了数组填充np.pad()函数的用法，原文在举例部分比较分散，不易看懂，这里给重新整理了下。

 

在卷积神经网络中，为了避免因为卷积运算导致输出图像缩小和图像边缘信息丢失，常常采用图像边缘填充技术，即在图像四周边缘填充0，使得卷积运算后图像大小不会缩小，同时也不会丢失边缘和角落的信息。在Python的numpy库中，常常采用numpy.pad()进行填充操作，具体分析如下：

 

1. np.pad()函数

1）语法结构

pad(array, pad_width, mode, **kwargs)

返回值：数组

2）参数解释

array——表示需要填充的数组；

 

pad_width——表示每个轴（axis）边缘需要填充的数值数目。 

参数输入方式为：（(before_1, after_1), … (before_N, after_N)），其中(before_1, after_1)表示第1轴两边缘分别填充before_1个和after_1个数值。取值为：{sequence, array_like, int}

mode——表示填充的方式（取值：str字符串或用户提供的函数）,总共有11种填充模式；

**kwargs---表示填充的值，与pad_width相对应

3) 填充方式

‘constant’——表示连续填充相同的值，每个轴可以分别指定填充值，constant_values=（x, y）时前面用x填充，后面用y填充，缺省值填充0

‘edge’——表示用边缘值填充

‘linear_ramp’——表示用边缘递减的方式填充

‘maximum’——表示最大值填充

‘mean’——表示均值填充

‘median’——表示中位数填充

‘minimum’——表示最小值填充

‘reflect’——表示对称填充

‘symmetric’——表示对称填充

‘wrap’——表示用原数组后面的值填充前面，前面的值填充后面

1.1 常数填充模式——’constant’

示例：

【代码】：

import numpy as np

#原始输入数组A

A = np.arange(95,99).reshape(2,2)

print(A)

#在数组A的边缘填充constant_values指定的数值

#（3,2）表示在A的第[0]轴填充（二维数组中，0轴表示行），即在0轴前面填充3个宽度的0，比如数组A中的95,96两个元素前面各填充了3个0；在后面填充2个0，比如数组A中的97,98两个元素后面各填充了2个0

#（2,3）表示在A的第[1]轴填充（二维数组中，1轴表示列），即在1轴前面填充2个宽度的0，后面填充3个宽度的0np.pad(A,((3,2),(2,3)),'constant',constant_values = (0,0))

#constant_values表示填充值，且(before，after)的填充值等于（0,0）

B = np.pad(A,((3,2),(2,3)),'constant',constant_values = ((0,0),(1,2)))

print(B)

 

【运行结果】：

1.2 边缘值填充模式——’edge’

示例

【代码】：

import numpy as np

A = np.arange(1,5).reshape(2,2) #原始输入数组B

print ("A =\n",A)

B = np.pad(A,((1,2),(2,1)),'edge') # 注意先填充0轴，后面填充1轴，依次填充

print("B = \n" ,B)

【运行结果】：

1.3 边缘最大值填充模式——’maximum’

示例

【代码】

import numpy as np

A = np.arange(1,5).reshape(2,2) #原始输入数组A

print ("A =\n",A)

B = np.pad(A,((1,2),(2,1)),'maximum')

print("B = \n" ,B)

【运行结果】