tf.pad解析(参考官方文档)

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

该函数有四个参数
Args:
tensor: A Tensor.
paddings: A Tensor of type int32.
mode: One of “CONSTANT”, “REFLECT”, or “SYMMETRIC” (case-insensitive)
name: A name for the operation (optional).
constant_values: In “CONSTANT” mode, the scalar pad value to use. Must be same type as tensor.当mode为CONSTANT时，填充的值默认为0，如果想换成别的值，更改constant_values即可

Returns:
A Tensor. Has the same type as tensor.

官方文档的注释
“”"Pads a tensor.

This operation pads a tensor according to the paddings you specify.
paddings is an integer tensor with shape [n, 2], where n is the rank of
tensor. For each dimension D of input, paddings[D, 0] indicates how
many values to add before the contents of tensor in that dimension, and
paddings[D, 1] indicates how many values to add after the contents of
tensor in that dimension. If mode is “REFLECT” then both paddings[D, 0]
and paddings[D, 1] must be no greater than tensor.dim_size(D) - 1. If
mode is “SYMMETRIC” then both paddings[D, 0] and paddings[D, 1] must be
no greater than tensor.dim_size(D).

The padded size of each dimension D of the output is:

paddings[D, 0] + tensor.dim_size(D) + paddings[D, 1]
**

下面示例理解文档

**注意：**paddings是一个类型为int32，shape为(n,2)的张量，这里的n是tensor(函数的第一个参数)的秩，

import tensorflow as tf
# a与b都是5维张量，a的shape为(1, 1, 1, 1, 2),b的shape为(1,1,1,1,1)
# 对b进行填充使得b的第四维(第几维的几从0开始算起)与a的第四维相等
sess = tf.Session()
a = tf.constant([1,2])
a = tf.reshape(a,[1,1,1,1,2]) # a的shape为(1, 1, 1, 1, 2）
#print(sess.run(a)) # a 为 [[[[[1 2]]]]]

b = tf.constant([1])
b = tf.reshape(b, [1,1,1,1,1])  # b的shape为(1,1,1,1,1）
#print(sess.run(b)) # [[[[[1]]]]]

c = tf.constant([[0, 0], [0, 0], [0, 0], [0, 0],[0, 1])
#print(c.get_shape())# c是paddings，shape是(5, 2),因为b的秩是5
#print(sess.run(c[4,1]))# c[4,1]=1,是指在b的第4维张量内容的后面补一个0
#对应官方文档注释`paddings[D, 1]` indicates how many values to add after the contents of `tensor` in that dimension.这里的D是4，在[[[[[1]]]]]后面补一个0，得到[[[[[1 0]]]]]
print(sess.run(tf.pad(tensor=b, paddings=c))) # [[[[[1 0]]]]]

如果paddings[D, 0]=1，即在tensor的第D维内容前面补一个0，对应“paddings[D, 0] indicates how many values to add before the contents of tensor in that dimensio”如下

c = tf.constant([[0, 0], [0, 0], [0, 0], [0, 0],[1, 0])# c[4, 0]=1
print(sess.run(tf.pad(tensor=b, paddings=c)))# [[[[[0, 1]]]]]

官方例子

 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]]

对于CONSTANT：
t是一个2维张量，2行3列，paddings的[1,1]是指paddings[0, 0]=1,也就是在t的第0维度(也就是行)前面(也就是上面)补充1行0，paddings[0, 1]=1，也就是在t的第0维度后面(下面)补充1行0；paddings的[2,2]是指paddings[1, 0]=2,也就是在t的第1维度(列)前面(左边)补充2列0，paddings[1, 1]=2，也就是在t的第0维度后面(右边)补充2列0；
对于REFLECT(映像):
原本的tensor是

第一步：以 1 2 3为对称轴，向上添加一行，因此上面添加的是4 5 6；以 4 5 6为对称轴下面添加的是 1 2 3

第二步:
tensor内容的前面需要镜像添加两列，也就是以[4, 1, 4, 1]^T(表示转置。也就是

)为中心轴，在左边映射两列，也就得到
然后再以[6,3,6,3]^T为对称轴向右边映射两列得到
此时完成填充，得到最终的tensor
对于symmetric(对称）:
第一步，以红线为对称轴向上添加一列得到如下矩阵

然后以红线为对称轴向下添加一列得到如下矩阵

第二步 :以红线为对称轴向左添加两列得到如下矩阵

然后以红线为对称轴向右添加两列得到如下矩阵

此时完成填充，最后得到