ReplicationPad2d

class torch.nn.ReplicationPad2d(padding)

使用输入边界的复制来填充输入张量。

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

参数

padding (int, 元组) – 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 4-元组，则使用 ($\text{padding\_left}$, $\text{padding\_right}$, $\text{padding\_top}$, $\text{padding\_bottom}$)

形状

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

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

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

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

示例

>>> m = nn.ReplicationPad2d(2)
>>> input = torch.arange(9, dtype=torch.float).reshape(1, 1, 3, 3)
>>> input
tensor([[[[0., 1., 2.],
          [3., 4., 5.],
          [6., 7., 8.]]]])
>>> m(input)
tensor([[[[0., 0., 0., 1., 2., 2., 2.],
          [0., 0., 0., 1., 2., 2., 2.],
          [0., 0., 0., 1., 2., 2., 2.],
          [3., 3., 3., 4., 5., 5., 5.],
          [6., 6., 6., 7., 8., 8., 8.],
          [6., 6., 6., 7., 8., 8., 8.],
          [6., 6., 6., 7., 8., 8., 8.]]]])
>>> # using different paddings for different sides
>>> m = nn.ReplicationPad2d((1, 1, 2, 0))
>>> m(input)
tensor([[[[0., 0., 1., 2., 2.],
          [0., 0., 1., 2., 2.],
          [0., 0., 1., 2., 2.],
          [3., 3., 4., 5., 5.],
          [6., 6., 7., 8., 8.]]]])