(转载)Numpy学习(1)——数组填充np.pad()函数的应用
【时间】2018.11.02
【题目】(转载)Numpy学习——数组填充np.pad()函数的应用
概述
本文转载自 http://www.th7.cn/Program/Python/201712/1284487.shtml ,主要讲述了数组填充np.pad()函数的用法,原文在举例部分比较分散,不易看懂,这里给重新整理了下。
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,具体分析如下:
1. np.pad()函数
1)语法结构
pad(array, pad_width, mode, **kwargs)
返回值:数组
2)参数解释
array——表示需要填充的数组;
pad_width——表示每个轴(axis)边缘需要填充的数值数目。
参数输入方式为:((before_1, after_1), … (before_N, after_N)),其中(before_1, after_1)表示第1轴两边缘分别填充before_1个和after_1个数值。取值为:{sequence, array_like, int}
mode——表示填充的方式(取值:str字符串或用户提供的函数),总共有11种填充模式;
**kwargs---表示填充的值,与pad_width相对应
3) 填充方式
‘constant’——表示连续填充相同的值,每个轴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
1.1 常数填充模式——’constant’
示例:
【代码】:
import numpy as np
#原始输入数组A
A = np.arange(95,99).reshape(2,2)
print(A)
#在数组A的边缘填充constant_values指定的数值
#(3,2)表示在A的第[0]轴填充(二维数组中,0轴表示行),即在0轴前面填充3个宽度的0,比如数组A中的95,96两个元素前面各填充了3个0;在后面填充2个0,比如数组A中的97,98两个元素后面各填充了2个0
#(2,3)表示在A的第[1]轴填充(二维数组中,1轴表示列),即在1轴前面填充2个宽度的0,后面填充3个宽度的0np.pad(A,((3,2),(2,3)),'constant',constant_values = (0,0))
#constant_values表示填充值,且(before,after)的填充值等于(0,0)
B = np.pad(A,((3,2),(2,3)),'constant',constant_values = ((0,0),(1,2)))
print(B)
【运行结果】:
1.2 边缘值填充模式——’edge’
示例
【代码】:
import numpy as np
A = np.arange(1,5).reshape(2,2) #原始输入数组B
print ("A =\n",A)
B = np.pad(A,((1,2),(2,1)),'edge') # 注意先填充0轴,后面填充1轴,依次填充
print("B = \n" ,B)
【运行结果】:
1.3 边缘最大值填充模式——’maximum’
示例
【代码】
import numpy as np
A = np.arange(1,5).reshape(2,2) #原始输入数组A
print ("A =\n",A)
B = np.pad(A,((1,2),(2,1)),'maximum')
print("B = \n" ,B)
【运行结果】