本文共 4035 字，大约阅读时间需要 13 分钟。
在卷积神经网络中，为了避免因为卷积运算导致输出图像缩小和图像边缘信息丢失，常常采用图像边缘填充技术，即在图像四周边缘填充0，使得卷积运算后图像大小不会缩小，同时也不会丢失边缘和角落的信息。在Python的numpy库中，常常采用numpy.pad()进行填充操作。
numpy.pad() 常用于深度学习中的数据预处理，可以将numpy数组按指定的方法填充成指定的形状。
ndarray = numpy.pad(array, pad_width, mode, **kwargs)
其中，array表示需要填充的数组；
pad_width表示在各维度的各个方向上想要填补的长度。参数输入方式为: ((before_1, after_1), … (before_N, after_N))； mode表示填充的方式，总共有11种填充模式； **kwargs表示填充的值，与pad_width相对应。 constant表示连续填充相同的值，每个维度可以分别指定填充值，constant_values=（x, y）时前面用x填充，后面用y填充，缺省值填充0； edge表示用边缘值填充； linear_ramp表示用边缘递减的方式填充； maximum表示最大值填充； mean表示均值填充； median表示中位数填充； minimum表示最小值填充； reflect表示对称填充； symmetric表示对称填充； wrap表示用原数组后面的值填充前面，前面的值填充后面。examples1: 用不同的填充模式对一维数组进行填充：
import numpy as nparr1D = np.array([1, 1, 2, 2, 3, 3, 4, 4])'''不同的填充模式'''print('constant: ' + str(np.pad(arr1D, (1, 2), 'constant')))print('edge: ' + str(np.pad(arr1D, (1, 2), 'edge')))print('linear_ramp: ' + str(np.pad(arr1D, (1, 2), 'linear_ramp')))print('maximum: ' + str(np.pad(arr1D, (1, 2), 'maximum')))print('mean: ' + str(np.pad(arr1D, (1, 2), 'mean')))print('median: ' + str(np.pad(arr1D, (1, 2), 'median')))print('minimum: ' + str(np.pad(arr1D, (1, 2), 'minimum')))print('reflect: ' + str(np.pad(arr1D, (1, 2), 'reflect')))print('symmetric: ' + str(np.pad(arr1D, (1, 2), 'symmetric')))print('wrap: ' + str(np.pad(arr1D, (1, 2), 'wrap'))) 不同模式填充结果：
constant: [0 1 1 2 2 3 3 4 4 0 0] edge: [1 1 1 2 2 3 3 4 4 4 4] linear_ramp: [0 1 1 2 2 3 3 4 4 2 0] maximum: [4 1 1 2 2 3 3 4 4 4 4] mean: [2 1 1 2 2 3 3 4 4 2 2] median: [2 1 1 2 2 3 3 4 4 2 2] minimum: [1 1 1 2 2 3 3 4 4 1 1] reflect: [1 1 1 2 2 3 3 4 4 4 3] symmetric: [1 1 1 2 2 3 3 4 4 4 4] wrap: [4 1 1 2 2 3 3 4 4 1 1]examples2: 用不同的填充模式对多维数组进行填充：
import numpy as nparr3D = np.array([[[1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4]], [[0, 1, 2, 3, 4, 5], [0, 1, 2, 3, 4, 5], [0, 1, 2, 3, 4, 5]], [[1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4]]])'''不同的填充模式'''print('constant: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'constant')))print('edge: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'edge')))print('linear_ramp: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'linear_ramp')))print('maximum: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'maximum')))print('mean: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'mean')))print('median: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'median')))print('minimum: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'minimum')))print('reflect: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'reflect')))print('symmetric: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'symmetric')))print('wrap: \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'wrap'))) constant填充模式的结果如下（其他模式的运行结果省略）：
constant: [[[0 0 0 0 0 0 0 0 0 0] [0 0 1 1 2 2 3 3 0 0] [0 0 1 1 2 2 3 3 0 0] [0 0 1 1 2 2 3 3 0 0] [0 0 0 0 0 0 0 0 0 0]][[0 0 0 0 0 0 0 0 0 0]
[0 0 0 1 2 3 4 5 0 0] [0 0 0 1 2 3 4 5 0 0] [0 0 0 1 2 3 4 5 0 0] [0 0 0 0 0 0 0 0 0 0]][[0 0 0 0 0 0 0 0 0 0]
[0 0 4 4 5 5 6 6 0 0] [0 0 4 4 5 5 6 6 0 0] [0 0 4 4 5 5 6 6 0 0] [0 0 0 0 0 0 0 0 0 0]]]examples3: 使用constant填充模式对一维数组填充。
import numpy as nparr1D = np.array([1, 2, 3])ndarray=np.pad(arr1D,(1,2),'constant', constant_values=(0,2))# (1,2)表示在一维数组array前面填充1位，最后面填充2位# constant_values=(0,2) 表示前面填充0，后面填充2 print("arr1D=",arr1D)print("ndarray=",ndarray) 运行结果：
arr1D= [1 2 3] ndarray= [0 1 2 3 2 2]examples4: 使用constant填充模式对多维数组填充。
import numpy as nparr2D = np.array([[1, 1],[2,2]]) """((1,1),(2,2))表示在二维数组array第一维（此处便是行）前面填充1行，最后面填充1行； 在二维数组array第二维（此处便是列）前面填充2列，最后面填充2列constant_values=(0,3) 表示第一维填充0，第二维填充3"""ndarray=np.pad(arr2D,((1,1),(2,2)),'constant', constant_values=(0,3)) print("arr2D=",arr2D)print("ndarray=",ndarray) 运行结果：
arr2D= [[1 1] [2 2]] ndarray= [[0 0 0 0 3 3] [0 0 1 1 3 3] [0 0 2 2 3 3] [0 0 3 3 3 3]]转载地址：http://omfvz.baihongyu.com/