np.pad的用法

def zero_pad(X,pad):
    """
    把数据集X的图像边界全部使用0来扩充pad个宽度和高度。
    
    参数：
        X - 图像数据集，维度为（样本数，图像高度，图像宽度，图像通道数）
        pad - 整数，每个图像在垂直和水平维度上的填充量
    返回：
        X_paded - 扩充后的图像数据集，维度为（样本数，图像高度 + 2*pad，图像宽度 + 2*pad，图像通道数）
    
    """
    
    X_paded = np.pad(X,(
                        (0,0),       #样本数，不填充
                        (pad,pad),   #图像高度,你可以视为上面填充x个，下面填充y个(x,y)
                        (pad,pad),   #图像宽度,你可以视为左边填充x个，右边填充y个(x,y)
                        (0,0)),      #通道数，不填充
                        'constant', constant_values=0)      #连续一样的值填充
    
    return X_paded
                            

仔细观察可以看出来np.pad(arr3D, ((1, 1), (2, 2), (2, 2)), ‘constant’)中第二个参数的第一个数组（1,1）表示在三维数组的“前后”各加一个“层”，第二个数组(2, 2)表示在数组的“上下”各加两个“行”，
第三个数组(2, 2)表示在数组的“左右”各加两个“列” 即图中的状态。

更多维度的时候 依次类推 但是在深度学习中 更多的是通道数为三的图片 而且 第一个数组一般为（0,0）.
感谢大家收看！
部分例子由https://blog.csdn.net/hustqb/article/details/77726660借鉴。