devbox
代码探险家
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

Numpy的array数组和TensorFlow的tensor张量的padding操作（实质数组空间形状理解）_numpy array padding

作者：代码探险家 | 2024-06-23 21:54:38

赞

踩

numpy array padding
  1. Numpy的array数组补0操作
  2. #二维数组row=3，col=2（3，2）
  3. data1 = np.array([[1,2],[3,4],[5,6]])
  4. #补0模式，一维位置前后补（一层）0，二维位置前后补（一层）0
  5. pad_width1 = ((1,1),(1,1))
  6. data1_p = np.pad(data1, pad_width=pad_width1, mode='constant', constant_values=0)
  7. print(data1_p)
  8. >>>[[0 0 0 0]
  9.  [0 1 2 0]
  10.  [0 3 4 0]
  11.  [0 5 6 0]
  12.  [0 0 0 0]]
  13. #更好理解可体现在索引的操作上面，在（3，2）索引上（3+2，2+2）=（5，4）
  14. print(np.shape(data1_p))
  15. >>>（5，4）
  16.  
  17. #三维数组heights=2，weights=2，channels=2
  18. data2 = np.array([[[1,2],[3,4]],[[5,6],[7,8]]])
  19. print(np.shape(data2))
  20. >>>（2，2，2）
  21. print(data2)
  22. >>>[[[1 2]
  23.   [3 4]]
  24.  
  25.  [[5 6]
  26.   [7 8]]]
  27.  
  28. #分别在height，weights，channels的前后补（加一层）0
  29. #直接看结果有点难理解，结合补0前后索引的变化和三维空间立方体更容易理解！
  30. pad_width2 = ((1, 1), (0, 0),(0, 0))
  31. data2_p = np.pad(data2, pad_width=pad_width2, mode='constant', constant_values=0)
  32. print(np.shape(data2_p))
  33. print(data2_p)
  34. >>>(4, 2, 2)
  35. >>>[[[0 0]
  36.   [0 0]]
  37.  
  38.  [[1 2]
  39.   [3 4]]
  40.  
  41.  [[5 6]
  42.   [7 8]]
  43.  
  44.  [[0 0]
  45.   [0 0]]]
  1. pad_width3 = ((0, 0), (1, 1),(0, 0))
  2. data3_p = np.pad(data2, pad_width=pad_width3, mode='constant', constant_values=0)
  3. print(np.shape(data3_p)) 
  4. print(data3_p)
  5. >>>(2, 4, 2)
  6. >>>[[[0 0]
  7.   [1 2]
  8.   [3 4]
  9.   [0 0]]
  10.  
  11.  [[0 0]
  12.   [5 6]
  13.   [7 8]
  14.   [0 0]]]
  15.  
  16. pad_width4 = ((0, 0), (0, 0),(1, 1))
  17. data4_p = np.pad(data2, pad_width=pad_width4, mode='constant', constant_values=0)
  18. print(np.shape(data4_p)) 
  19. print(data4_p)
  20. >>>(2, 2, 4)
  21. >>>[[[0 1 2 0]
  22.   [0 3 4 0]]
  23.  
  24.  [[0 5 6 0]
  25.   [0 7 8 0]]]
  1. 重点理解比较下面两种padding位置的区别
  2.  
  3. data3 = np.array([[[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]],
  4.             [[[13,14,15], [16,17,18]],[[19,20,21], [22,23,24]]]])
  5. print(np.shape(data3))
  6. print(data3)
  7. >>>(2, 2, 2, 3)
  8. >>>[[[[ 1  2  3]
  9.    [ 4  5  6]]
  10.  
  11.   [[ 7  8  9]
  12.    [10 11 12]]]
  13.  
  14.  
  15.  [[[13 14 15]
  16.    [16 17 18]]
  17.  
  18.   [[19 20 21]
  19.    [22 23 24]]]]
  20.  
  21. #height位置前后补（加一层）0，weight位置前后补（加一层）0，
  22. pad_width5 = ((0, 0), (1, 1),(1, 1),(0, 0))
  23. data5_p = np.pad(data3, pad_width=pad_width5, mode='constant', constant_values=0)
  24. print(np.shape(data5_p))
  25. print(data5_p)
  26. >>>(2, 4, 4, 3)
  27. >>>[[[[ 0  0  0]
  28.    [ 0  0  0]
  29.    [ 0  0  0]
  30.    [ 0  0  0]]
  31.  
  32.   [[ 0  0  0]
  33.    [ 1  2  3]
  34.    [ 4  5  6]
  35.    [ 0  0  0]]
  36.  
  37.   [[ 0  0  0]
  38.    [ 7  8  9]
  39.    [10 11 12]
  40.    [ 0  0  0]]
  41.  
  42.   [[ 0  0  0]
  43.    [ 0  0  0]
  44.    [ 0  0  0]
  45.    [ 0  0  0]]]
  46.  
  47.  
  48.  [[[ 0  0  0]
  49.    [ 0  0  0]
  50.    [ 0  0  0]
  51.    [ 0  0  0]]
  52.  
  53.   [[ 0  0  0]
  54.    [13 14 15]
  55.    [16 17 18]
  56.    [ 0  0  0]]
  57.  
  58.   [[ 0  0  0]
  59.    [19 20 21]
  60.    [22 23 24]
  61.    [ 0  0  0]]
  62.  
  63.   [[ 0  0  0]
  64.    [ 0  0  0]
  65.    [ 0  0  0]
  66.    [ 0  0  0]]]]
  67.  
  68.  
  69. data4 = np.array([[[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]],
  70.             [[13,14,15], [16,17,18]],[[19,20,21], [22,23,24]]]])
  71. print(np.shape(data4))
  72. print(data4)
  73. >>>(1, 4, 2, 3)
  74. >>>[[[[ 1  2  3]
  75.    [ 4  5  6]]
  76.  
  77.   [[ 7  8  9]
  78.    [10 11 12]]
  79.  
  80.   [[13 14 15]
  81.    [16 17 18]]
  82.  
  83.   [[19 20 21]
  84.    [22 23 24]]]]
  85.  
  86. pad_width6 = ((0, 0), (1, 1),(1, 1),(0, 0))
  87.               #height位置前后补（加一层）0，weight位置前后补（加一层）0，
  88. data6_P = np.pad(data4, pad_width=pad_width6, mode='constant', constant_values=0)
  89. print(np.shape(data6_P))
  90. print(data6_P)
  91. >>>(1, 6, 4, 3)
  92. >>>[[[[ 0  0  0]
  93.    [ 0  0  0]
  94.    [ 0  0  0]
  95.    [ 0  0  0]]
  96.  
  97.   [[ 0  0  0]
  98.    [ 1  2  3]
  99.    [ 4  5  6]
  100.    [ 0  0  0]]
  101.  
  102.   [[ 0  0  0]
  103.    [ 7  8  9]
  104.    [10 11 12]
  105.    [ 0  0  0]]
  106.  
  107.   [[ 0  0  0]
  108.    [13 14 15]
  109.    [16 17 18]
  110.    [ 0  0  0]]
  111.  
  112.   [[ 0  0  0]
  113.    [19 20 21]
  114.    [22 23 24]
  115.    [ 0  0  0]]
  116.  
  117.   [[ 0  0  0]
  118.    [ 0  0  0]
  119.    [ 0  0  0]
  120.    [ 0  0  0]]]]
  1. #channel横切面channel = 0的位置
  2. print((data3[:,:,:,0]))
  3. >>>[[[ 0  0  0  0]
  4.   [ 0  1  4  0]
  5.   [ 0  7 10  0]
  6.   [ 0 13 16  0]
  7.   [ 0 19 22  0]
  8.   [ 0  0  0  0]]]
  1. 0 0  0  0
  2. 0 1  4  0
  3. 0 7  10 0
  4. 0 13 16 0
  5. 0 19 23 0
  6. 0 0  0  0
  7.  
  8. #weight位置前后补（加一层）0，channel位置前后补（加一层）0，
  9. pad_width7 = ((0, 0), (0, 0),(1, 1),(1, 1))
  10. data7_P = np.pad(data4, pad_width=pad_width7, mode='constant', constant_values=0) print(np.shape(data6_P))
  11. print(data7_P)
  12. >>>(1, 4, 4, 5)
  13. >>>[[[[ 0  0  0  0  0]
  14.    [ 0  1  2  3  0]
  15.    [ 0  4  5  6  0]
  16.    [ 0  0  0  0  0]]
  17.  
  18. [[ 0  0  0  0  0]
  19.    [ 0  7  8  9  0]
  20.    [ 0 10 11 12  0]
  21.    [ 0  0  0  0  0]]
  22.  
  23. [[ 0  0  0  0  0]
  24.    [ 0 13 14 15  0]
  25.    [ 0 16 17 18  0]
  26.    [ 0  0  0  0  0]]
  27.  
  28. [[ 0  0  0  0  0]
  29.    [ 0 19 20 21  0]
  30.    [ 0 22 23 24  0]
  31.    [ 0  0  0  0  0]]]]
声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/代码探险家/article/detail/750825
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号