ReplicationPad2d

class torch.nn.ReplicationPad2d(padding) [source]

Дополняет входной тензор путем репликации его границы.

Для дополнения размерности N используйте torch.nn.functional.pad().

Параметры:

padding (int, tuple) – размер дополнения. Если задано значение int, применяется одинаковое дополнение со всех сторон. Если задано значение вида 4-tuple, используются ($\text{padding\_left}$, $\text{padding\_right}$, $\text{padding\_top}$, $\text{padding\_bottom}$) Обратите внимание, что размеры выходных данных должны оставаться положительными.

Форма:

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

• Выходные данные: $(N, C, H_{out}, W_{out})$ 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.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.]]]])