mindspore.ops.pad

mindspore.ops.pad(input_x, padding, mode='constant', value=None)[源代码]

根据参数 padding 对输入进行填充。

参数：

input_x (Tensor) - 输入Tensor，shape为 \((N, *)\)， \(*\) 代表任意附加维度。
padding (Union[tuple[int], list[int], Tensor]) - pad的填充位置。 \(\left\lfloor\frac{\text{len(padding)}}{2}\right\rfloor\) 维度的 input_x 将会被填充。
- 示例：若只需要填充输入tensor的最后一个维度，则 padding 则的填充方式为 \((\text{padding_left}, \text{padding_right})\);
- 示例：若只需要填充输入tensor的最后两个维度，则 padding 则的填充方式为 \((\text{padding_left}, \text{padding_right}, \text{padding_top}, \text{padding_bottom})\);
- 示例：若只需要填充输入tensor的最后三个维度，则 padding 则的填充方式为 \((\text{padding_left}, \text{padding_right}, \text{padding_top}, \text{padding_bottom}, \text{padding_front}, \text{padding_back}))\);
以此类推。
mode (str，可选) - Pad的填充模式，可选择 “constant”, “reflect” 或者 “replicate”。默认值: “constant”。
- 对于 “constant” 模式，请参考 mindspore.nn.ConstantPad1d 作为示例来理解这个填充模式，并将这个模式扩展到n维。
- 对于 “reflect” 模式，请参考 mindspore.nn.ReflectionPad1d 作为示例来理解这个填充模式，并将这个模式扩展到n维。
- 对于 “replicate” 模式，请参考 mindspore.nn.ReplicationPad1d 作为示例来理解这个填充模式，并将这个模式扩展到n维。
value (Union[int, float, None]，可选) - 仅在 “constant” 模式下生效，设置在 “constant” 模式下的填充值，如果值为None，则会使用0作为默认填充值。

返回：

填充后的Tensor。

异常：

TypeError - padding 不是全为int的tuple或者list。
TypeError - input_x 不是Tensor。
ValueError - paddings 的shape不等于 2 * len(input_x)。
ValueError - mode不为”constant”并且value不为None。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import mindspore.ops as ops
>>> import numpy as np
>>> x = ms.Tensor(np.arange(1 * 2 * 2 * 2).reshape((1, 2, 2, 2)), dtype=ms.float64)
>>> output = ops.pad(x, [1, 0, 0, 1], mode='constant', value=6.0)
>>> print(x)
[[[[6. 0. 1.]
   [6. 2. 3.]
   [6. 6. 6.]]
  [[6. 4. 5.]
   [6. 6. 7.]
   [6. 6. 6.]]]]
>>> output1 = ops.pad(x, (1, 0, 0, 1), mode='reflect')
>>> print(output1)
[[[[1. 0. 1.]
   [3. 2. 3.]
   [1. 0. 1.]]
  [[5. 4. 5.]
   [7. 6. 7.]
   [5. 4. 5.]]]]
>>> output2 = ops.pad(x, (1, 1, 2, 1), mode='replicate')
[[[[0. 0. 1. 1.]
   [0. 0. 1. 1.]
   [0. 0. 1. 1.]
   [2. 2. 3. 3.]
   [2. 2. 3. 3.]]
  [[4. 4. 5. 5.]
   [4. 4. 5. 5.]
   [4. 4. 5. 5.]
   [6. 6. 7. 7.]
   [6. 6. 7. 7.]]]]