反射填充详解ReflectionPad2d(padding)

一、反射填充

这种填充方式是以输入向量的边界为对称轴,以设定的padding大小为步长,将输入向量的边界内padding大小的元素,对称填充。设定padding时主要注意,padding必须小于向量所在维度的大小。

1、一维反射填充

1)调用方式

  • 输入形状为(N,C,W_IN)或(C,W_IN);
  • 输出形状为(N,C,W_out)或(C,W_out);在这里插入图片描述
  • padding表示填充尺寸,可为整数或者2元组;padding为整数时,输入向量左右填充相同的大小;而padding为元组时可自定义向量左右分别填充多少;
torch.nn.ReflectionPad1d(padding)

2)实例

对于一维填充来说,其输入为N个宽度为W的向量,而每个元素对应有C个通道。此方式填充只针对他的宽度进行,填充点分别为向量左边和右边两个边界。不同的padding类型(整数或元组),决定了左右两边如何填充的方式。

(1)padding为整数
inp
  • 18
    点赞
  • 50
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 5
    评论
在使用nn.Conv2d时,padding参数用于控制输入的边界填充。具体来说,padding=1表示在输入的边界周围填充一层值为0的像素。这样做的目的是保持输出的大小与输入相同,因为卷积操作会导致输出尺寸缩小。所以在给定的代码中,conv1 = nn.Conv2d(1,2,kernel_size=3,padding=1)表示在输入的边界周围填充了一层值为0的像素,而conv2 = nn.Conv2d(1,2,kernel_size=3)没有使用padding参数,因此没有进行填充。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [pytorch nn.Conv2d()中的padding以及输出大小方式](https://download.csdn.net/download/weixin_38575118/13759845)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"] - *2* [pytorch之卷积神经网络nn.conv2d](https://download.csdn.net/download/weixin_38580959/14033678)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"] - *3* [pytorch1.0中torch.nn.Conv2d用法详解](https://download.csdn.net/download/weixin_38544625/14858378)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

NorthSmile

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值