标签：自己 ann 效果 http color 推荐 src image hsi
小生非常推荐大家不再使用卷积所带的填充方式，虽然那种方式简单，但缺陷太多。① 不能根据自己的需要来决定上与下填充不等的边界，左右填充不等的边界；② 边界填充零容易出现伪影的情况，对实验效果影响比较大。将卷积中的Padding方式换为卷积前Padding效果会更佳，以下列了四种填充方式（零填充，常数填充，镜像填充，复制填充）。
小生就不赘言了，客官请下观~~
零填充是常数填充的特例，这种填充方式和卷积中的填充的类似，都是填充零元素，不过这个比卷积填充更灵活，我们可以根据自己的需要再上下左右分别填充相应的0元素。
1 import torch 2 import torch.nn as nn 3 4 5 # ================== 零填充 ================== 6 def conv_ZeroPad2d(): 7 # 定义一个四维数据：(batchSize, channel, height, width) 8 data = torch.tensor([[[[1, 2, 3], 9 [4, 5, 6], 10 [7, 8, 9]]]]).float() 11 print("data_shape: ", data.shape) 12 print("data: ", data) 13 # 零填充，在边界填充n个0,分别为：左、右、上、下 14 ZeroPad = nn.ZeroPad2d(padding=(1, 2, 1, 2)) 15 data1 = ZeroPad(data) 16 print("data1_shape: ", data1.shape) 17 print("data1: ", data1) 18 19 20 if __name__ == ‘__main__‘: 21 conv_ZeroPad2d()
可以看到，分别在左边填充1列0元素，右边填充2列0元素，上边填充1列0元素，下边填充2列0元素。
常数填充方式， 可以根据自己的需要在上下左右分别填充指定的元素。
1 import torch 2 3 4 # ================== 常量填充 ================== 5 def conv_ConstantPad2d(): 6 # 定义一个四维数据：(batchSize, channel, height, width) 7 data = torch.tensor([[[[1, 2, 3], 8 [4, 5, 6], 9 [7, 8, 9]]]]).float() 10 print("data_shape: ", data.shape) 11 print("data: ", data) 12 # 用给定的纸填充，0填充是常亮填充的特列，分别为：左、右、上、下 13 ConstantPad = nn.ConstantPad2d(padding=(1, 2, 1, 2), value=10) 14 data1 = ConstantPad(data) 15 print("data1_shape: ", data1.shape) 16 print("data1: ", data1) 17 18 19 if __name__ == ‘__main__‘: 20 conv_ConstantPad2d()
可以看到，分别在左边填充1列10元素，右边填充2列10元素，上边填充1列10元素，下边填充2列10元素。
镜像填充方式是根据对称性来填充的。
1 import torch 2 3 4 # ================== 镜像填充 ================== 5 def conv_ReflectionPad2d(): 6 # 定义一个四维数据：(batchSize, channel, height, width) 7 data = torch.tensor([[[[1, 2, 3], 8 [4, 5, 6], 9 [7, 8, 9]]]]).float() 10 print("data_shape: ", data.shape) 11 print("data: ", data) 12 # 复制边界n次，分别为：左、右、上、下 13 ReflectionPad = nn.ReflectionPad2d(padding=(1, 2, 1, 2)) 14 data1 = ReflectionPad(data) 15 print("data1_shape: ", data1.shape) 16 print("data1: ", data1) 17 18 19 if __name__ == ‘__main__‘: 20 conv_ReflectionPad2d()
复制填充方式，小生非常推荐。复制填充是复制最外边界的元素来填充，这样填充的元素与边界元素相近，对实验结果的影响会降到最小。
1 import torch 2 3 4 # ================== 重复填充 ================== 5 def conv_ReplicationPad2d(): 6 # 定义一个四维数据：(batchSize, channel, height, width) 7 data = torch.tensor([[[[1, 2, 3], 8 [4, 5, 6], 9 [7, 8, 9]]]]).float() 10 print("data_shape: ", data.shape) 11 print("data: ", data) 12 # 用对称位置的像素来填充,分别为：左、右、上、下 13 ReplicationPad = nn.ReplicationPad2d(padding=(1, 2, 1, 2)) 14 data1 = ReplicationPad(data) 15 print("data1_shape: ", data1.shape) 16 print("data1: ", data1) 17 18 19 if __name__ == ‘__main__‘: 20 conv_ReplicationPad2d()
可以看到，填充的元素与最外边界的元素相同。
努力去爱周围的每一个人，付出，不一定有收获，但是不付出就一定没有收获！ 给街头卖艺的人零钱，不和深夜还在摆摊的小贩讨价还价。愿我的博客对你有所帮助(*^▽^*)(*^▽^*)！
如果客官喜欢小生的园子，记得关注小生哟，小生会持续更新(#^.^#)(#^.^#)！
标签：自己 ann 效果 http color 推荐 src image hsi
原文地址：https://www.cnblogs.com/haifwu/p/12866319.html
