CircularPad2d

class torch.nn.modules.padding.CircularPad2d(padding) [source]

Дополняет входной тензор циклическим дополнением его границ.

Значения тензора в начале измерения используются для дополнения его конца, а значения в конце — для дополнения его начала. Если применяется отрицательное дополнение, концы тензора удаляются.

Для дополнения на N измерениях используйте torch.nn.functional.pad().

Параметры:

padding (int, tuple) – размер дополнения. Если это int, используется одинаковое дополнение для всех границ. Если это кортеж из 4-tuple, используются значения ($\text{padding\_left}$, $\text{padding\_right}$, $\text{padding\_top}$, $\text{padding\_bottom}$). Обратите внимание, что размер дополнения должен быть меньше или равен соответствующему размеру входного измерения.

Форма:

• Вход: $(N, C, H_{in}, W_{in})$ или $(C, H_{in}, W_{in})$.

• Выход: $(N, C, H_{out}, W_{out})$ или $(C, H_{out}, W_{out})$, где

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

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

Примеры:

>>> m = nn.CircularPad2d(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([[[[4., 5., 3., 4., 5., 3., 4.],
          [7., 8., 6., 7., 8., 6., 7.],
          [1., 2., 0., 1., 2., 0., 1.],
          [4., 5., 3., 4., 5., 3., 4.],
          [7., 8., 6., 7., 8., 6., 7.],
          [1., 2., 0., 1., 2., 0., 1.],
          [4., 5., 3., 4., 5., 3., 4.]]]])
>>> # using different paddings for different sides
>>> m = nn.CircularPad2d((1, 1, 2, 0))
>>> m(input)
tensor([[[[5., 3., 4., 5., 3.],
          [8., 6., 7., 8., 6.],
          [2., 0., 1., 2., 0.],
          [5., 3., 4., 5., 3.],
          [8., 6., 7., 8., 6.]]]])