tensorflow中的tf.pad使用

（1）二维，我们可以这样理解，原始的t的大小为2x3，paddings必须是二维矩阵，并且它的行数和t的维度相同

（2）因为t的大小为2x3，是二维，因此paddings的行数是2

（3）对于i=0,1，paddings[i][0]表示对t在此维度的前面进行填充，paddings[i][1]表示对t在此维度的后面进行填充

（4）比如 i=0，paddings[0][0]=1，paddings[0][1]=1，那么对于t的第一个维度，原来的个数是2

（5）填充后的个数变为paddings[0][0]+2+paddings[0][1]=4

（6）则对于i=1，paddings[1][0]=2，paddings[1][1]=2，对于t的第二个维度，原来的个数是3

（7）填充后的个数变为paddings[1][0]+2+paddings[1][1]=6

t = tf.constant([[1, 2, 3], [4, 5, 6]])
paddings = tf.constant([[1, 1,], [2, 2]])
# 'constant_values' is 0.
# rank of 't' is 2.
tf.pad(t, paddings, "CONSTANT")  # [[0, 0, 0, 0, 0, 0, 0],
                                 #  [0, 0, 1, 2, 3, 0, 0],
                                 #  [0, 0, 4, 5, 6, 0, 0],
                                 #  [0, 0, 0, 0, 0, 0, 0]]

tf.pad(t, paddings, "REFLECT")  # [[6, 5, 4, 5, 6, 5, 4],
                                #  [3, 2, 1, 2, 3, 2, 1],
                                #  [6, 5, 4, 5, 6, 5, 4],
                                #  [3, 2, 1, 2, 3, 2, 1]]

tf.pad(t, paddings, "SYMMETRIC")  # [[2, 1, 1, 2, 3, 3, 2],
                                  #  [2, 1, 1, 2, 3, 3, 2],
                                  #  [5, 4, 4, 5, 6, 6, 5],
                                  #  [5, 4, 4, 5, 6, 6, 5]]

（8）三维至高维，经过前面的说明，此时应该很好理解了

t = tf.ones([2,2,3]) # [bs,len,hs]
paddings = tf.constant([[1,2],[1,1],[2, 2]])
a = tf.pad(t, paddings, "CONSTANT")
print(a)

"""
输出如下：
tf.Tensor(
[[[0. 0. 0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0. 0. 0.]]

 [[0. 0. 0. 0. 0. 0. 0.]
  [0. 0. 1. 1. 1. 0. 0.]
  [0. 0. 1. 1. 1. 0. 0.]
  [0. 0. 0. 0. 0. 0. 0.]]

 [[0. 0. 0. 0. 0. 0. 0.]
  [0. 0. 1. 1. 1. 0. 0.]
  [0. 0. 1. 1. 1. 0. 0.]
  [0. 0. 0. 0. 0. 0. 0.]]

 [[0. 0. 0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0. 0. 0.]]

 [[0. 0. 0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0. 0. 0.]]], shape=(5, 4, 7), dtype=float32)

"""

（9）很明显，每个维度上的个数变化很清楚~