ReflectionPad3d

class torch.nn.ReflectionPad3d(padding)

使用输入边界的反射填充输入张量。

对于 N 维填充，使用 torch.nn.functional.pad()。

参数

padding (int, tuple) – 填充的大小。如果为 int，则在所有边界使用相同的填充。如果为 6-tuple，则使用 ($\text{padding\_left}$, $\text{padding\_right}$, $\text{padding\_top}$, $\text{padding\_bottom}$, $\text{padding\_front}$, $\text{padding\_back}$)

形状

• 输入: $(N, C, D_{in}, H_{in}, W_{in})$ 或 $(C, D_{in}, H_{in}, W_{in})$

• 输出: $(N, C, D_{out}, H_{out}, W_{out})$ 或 $(C, D_{out}, H_{out}, W_{out})$, 其中

  $D_{out} = D_{in} + \text{padding\_front} + \text{padding\_back}$

  $H_{out} = H_{in} + \text{padding\_top} + \text{padding\_bottom}$

  $W_{out} = W_{in} + \text{padding\_left} + \text{padding\_right}$

示例

>>> m = nn.ReflectionPad3d(1)
>>> input = torch.arange(8, dtype=torch.float).reshape(1, 1, 2, 2, 2)
>>> m(input)
tensor([[[[[7., 6., 7., 6.],
           [5., 4., 5., 4.],
           [7., 6., 7., 6.],
           [5., 4., 5., 4.]],
          [[3., 2., 3., 2.],
           [1., 0., 1., 0.],
           [3., 2., 3., 2.],
           [1., 0., 1., 0.]],
          [[7., 6., 7., 6.],
           [5., 4., 5., 4.],
           [7., 6., 7., 6.],
           [5., 4., 5., 4.]],
          [[3., 2., 3., 2.],
           [1., 0., 1., 0.],
           [3., 2., 3., 2.],
           [1., 0., 1., 0.]]]]])