Python keras.layers .ZeroPadding2D() 详解

在二维矩阵的四周填充0

应用场景

在卷积操作中,一般使用 padding='SAME' 填充0,但有时不灵活,我们想自己去进行补零操作,此时可以使用tf.keras.layers.ZeroPadding2D

语法

1 __init__(
2 padding=(1, 1),
3 data_format=None,
4 **kwargs
5 )

 

参数
  • padding:整数,或者2个整数的元组,或者2个整数的2个元组的元组

    • 整数:以上下、左右对称的方式填充0
      例子:1,表示上下各填充一行0,即:行数加2;左右各填充一列0,即:列数加2

    • 2个整数的元组:第一个整数表示上下对称的方式填充0;第二个整数表示左右对称的方式填充0
      例子:(1,1),表示上下各填充一行0,即:行数加2;左右各填充一列0,即:列数加2

    • 2个整数的2个元组的元组:表示 ((top_pad, bottom_pad), (left_pad, right_pad))

  • data_format:字符串, “channels_last” (默认) 或 “channels_first”, 表示输入中维度的顺序。

    • channels_last 对应输入形状 (batch, height, width, channels)
    • channels_first 对应输入尺寸为 (batch, channels, height, width)。

默认为在 Keras 配置文件 ~/.keras/keras.json 中的 image_data_format 值。 如果你从未设置它,将使用 “channels_last”。

输入形状:

4维 tensor :

  • 如果 data_format 是 “channels_last”: (batch, rows, cols, channels)
  • 如果 data_format 是 “channels_first”: (batch, channels, rows, cols)
输出形状:

4维 tensor :

  • 如果 data_format 是 “channels_last”: (batch, padded_rows, padded_cols, channels)
  • 如果 data_format 是 “channels_first”: (batch, channels, padded_rows, padded_cols)

例子

构建2维矩阵

import numpy as np
import tensorflow as tf
np.set_printoptions(threshold=np.inf)

np.random.seed(1)
arr=np.random.randint(1,9,(4,4))
print(arr)

 

执行结果:

1 [[6 4 5 1]
2 [8 2 4 6]
3 [8 1 1 2]
4 [5 8 6 5]]

 

例1

传递1个整数,填充0:

1 arr=arr.reshape(1,4,4,1)
2 inp=tf.keras.Input((4,4,1))
3 x=tf.keras.layers.ZeroPadding2D(1)(inp)
4 model=tf.keras.Model(inp,x)
5 res=model(arr)
6 tf.print(tf.squeeze(res))

 

例2

传递2个整数的tuple,填充0:

1 arr=arr.reshape(1,4,4,1)
2 inp=tf.keras.Input((4,4,1))
3 x=tf.keras.layers.ZeroPadding2D((1,2))(inp)
4 model=tf.keras.Model(inp,x)
5 res=model(arr)
6 print(tf.squeeze(res).numpy())

 

执行结果:

1 [[0 0 0 0 0 0 0 0]
2 [0 0 6 4 5 1 0 0]
3 [0 0 8 2 4 6 0 0]
4 [0 0 8 1 1 2 0 0]
5 [0 0 5 8 6 5 0 0]
6 [0 0 0 0 0 0 0 0]]

 

例3

1 arr=arr.reshape(1,4,4,1)
2 inp=tf.keras.Input((4,4,1))
3 x=tf.keras.layers.ZeroPadding2D(((1,2),(3,4)))(inp)
4 model=tf.keras.Model(inp,x)
5 res=model(arr)
6 print(tf.squeeze(res).numpy())

 

执行结果:

1 [[0 0 0 0 0 0 0 0 0 0 0]
2 [0 0 0 6 4 5 1 0 0 0 0]
3 [0 0 0 8 2 4 6 0 0 0 0]
4 [0 0 0 8 1 1 2 0 0 0 0]
5 [0 0 0 5 8 6 5 0 0 0 0]
6 [0 0 0 0 0 0 0 0 0 0 0]
7 [0 0 0 0 0 0 0 0 0 0 0]]

 

 

 

 

 

 

 

 

原文连接:https://www.malaoshi.top/show_1EF5LMACXvfQ.html

本文链接:https://my.lmcjl.com/post/16314.html

展开阅读全文

4 评论

留下您的评论.