深度學(xué)習(xí)（15）TensorFlow高階操作四: 填充與復(fù)制

• 1. Pad
• 2. 常用于Image Padding
• 3. tile
• 4. tile VS broadcast_to

Outline

• pad
• tile
• broadcast_to

1. Pad

填充數(shù)據(jù)
如下圖所示，填充的部分就為[[1, 2]];

如下圖所示，填充的部分就為[[0, 1], [1, 1]];

(1) tf.pad(a, [[0, 0], [0, 0]]): 表示在a的基礎(chǔ)上在行的維度上上邊添加0行，下邊添加0行，在列的維度上左邊添加0列，右邊添加0列;
(2) tf.pad(a, [[1, 0], [0, 0]]): 表示在a的基礎(chǔ)上在行的維度上上邊添加1行，下邊添加0行，在列的維度上左邊添加0列，右邊添加0列;

(3) tf.pad(a, [[1, 0], [1, 0]]): 表示在a的基礎(chǔ)上在行的維度上上邊添加1行，下邊添加1行，在列的維度上左邊添加0列，右邊添加0列;
(4) tf.pad(a, [[1, 1], [1, 0]]): 表示在a的基礎(chǔ)上在行的維度上上邊添加1行，下邊添加1行，在列的維度上左邊添加1列，右邊添加0列;
(5) tf.pad(a, [[1, 1], [1, 1]]): 表示在a的基礎(chǔ)上在行的維度上上邊添加1行，下邊添加1行，在列的維度上左邊添加1列，右邊添加1列;
注: 添加的數(shù)值默認(rèn)為0。

2. 常用于Image Padding

3. tile

• repeat data along dim n times
• [a, b, c], 2
• $\to$ [a, b, c, a, b, c]
• broadcast_to
  

(1) tf.tile(a, [1, 2]): 將a的第1個維度復(fù)制1遍，將a的第2個維度復(fù)制2遍，需要注意的是，tile的參數(shù)[1, 2]的數(shù)量需要與a的維度的數(shù)量相等，即如果a有3個維度，那么tile里的元素個數(shù)就是3;
(2) tf.tile(a, [2, 1]): 將a的第1個維度復(fù)制2遍，將a的第2個維度復(fù)制1遍;
(3) tf.tile(a, [2, 2]): 將a的第1個維度復(fù)制2遍，將a的第2個維度復(fù)制2遍;

4. tile VS broadcast_to

(1) 從最終結(jié)果來看，tile與broadcast_to效果一樣;
(2) 從占用內(nèi)存方面來看broadcast_to要優(yōu)于tile，因為broadcast_to不會占用內(nèi)存。

參考文獻(xiàn):
[1] 龍良曲:《深度學(xué)習(xí)與TensorFlow2入門實(shí)戰(zhàn)》

總結(jié)

以上是生活随笔為你收集整理的深度学习（15）TensorFlow高阶操作四: 填充与复制的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。