Python中numpy.pad()函数的使用详解

更新时间：2023年10月30日 10:07:40 作者：大彤小忆

这篇文章主要介绍了Python中numpy.pad()函数的使用详解,在卷积神经网络中,为了避免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,需要的朋友可以参考下

numpy.pad()函数的使用

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。

numpy.pad() 常用于深度学习中的数据预处理，可以将numpy数组按指定的方法填充成指定的形状。

语法结构

ndarray = numpy.pad(array, pad_width, mode, **kwargs)

array表示需要填充的数组；
pad_width表示在各维度的各个方向上想要填补的长度。参数输入方式为: ((before_1, after_1), … (before_N, after_N))；
mode表示填充的方式，总共有11种填充模式；
**kwargs表示填充的值，与pad_width相对应。

填充模式

constant表示连续填充相同的值，每个维度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。

示例

examples1: 用不同的填充模式对一维数组进行填充：

import numpy as np
arr1D = np.array([1, 1, 2, 2, 3, 3, 4, 4])
'''不同的填充模式'''
print('constant:  ' + str(np.pad(arr1D, (1, 2), 'constant')))
print('edge:  ' + str(np.pad(arr1D, (1, 2), 'edge')))
print('linear_ramp:  ' + str(np.pad(arr1D, (1, 2), 'linear_ramp')))
print('maximum:  ' + str(np.pad(arr1D, (1, 2), 'maximum')))
print('mean:  ' + str(np.pad(arr1D, (1, 2), 'mean')))
print('median:  ' + str(np.pad(arr1D, (1, 2), 'median')))
print('minimum:  ' + str(np.pad(arr1D, (1, 2), 'minimum')))
print('reflect:  ' + str(np.pad(arr1D, (1, 2), 'reflect')))
print('symmetric:  ' + str(np.pad(arr1D, (1, 2), 'symmetric')))
print('wrap:  ' + str(np.pad(arr1D, (1, 2), 'wrap')))

不同模式填充结果：
constant: [0 1 1 2 2 3 3 4 4 0 0]
edge: [1 1 1 2 2 3 3 4 4 4 4]
linear_ramp: [0 1 1 2 2 3 3 4 4 2 0]
maximum: [4 1 1 2 2 3 3 4 4 4 4]
mean: [2 1 1 2 2 3 3 4 4 2 2]
median: [2 1 1 2 2 3 3 4 4 2 2]
minimum: [1 1 1 2 2 3 3 4 4 1 1]
reflect: [1 1 1 2 2 3 3 4 4 4 3]
symmetric: [1 1 1 2 2 3 3 4 4 4 4]
wrap: [4 1 1 2 2 3 3 4 4 1 1]

examples2: 用不同的填充模式对多维数组进行填充：

import numpy as np
arr3D = np.array([[[1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4]], 
                  [[0, 1, 2, 3, 4, 5], [0, 1, 2, 3, 4, 5], [0, 1, 2, 3, 4, 5]], 
                  [[1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4], [1, 1, 2, 2, 3, 4]]])
'''不同的填充模式'''
print('constant:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'constant')))
print('edge:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'edge')))
print('linear_ramp:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'linear_ramp')))
print('maximum:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'maximum')))
print('mean:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'mean')))
print('median:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'median')))
print('minimum:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'minimum')))
print('reflect:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'reflect')))
print('symmetric:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'symmetric')))
print('wrap:  \n' + str(np.pad(arr3D, ((0, 0), (1, 1), (2, 2)), 'wrap')))

constant填充模式的结果如下（其他模式的运行结果省略）：

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

examples3: 使用constant填充模式对一维数组填充。

import numpy as np
arr1D = np.array([1, 2, 3])

ndarray=np.pad(arr1D,(1,2),'constant', constant_values=(0,2))
# (1,2)表示在一维数组array前面填充1位，最后面填充2位
#  constant_values=(0,2) 表示前面填充0，后面填充2
  
print("arr1D=",arr1D)
print("ndarray=",ndarray)

运行结果：

arr1D= [1 2 3]

ndarray= [0 1 2 3 2 2]

examples4: 使用constant填充模式对多维数组填充。

import numpy as np
arr2D = np.array([[1, 1],[2,2]])
     
"""
((1,1),(2,2))表示在二维数组array第一维（此处便是行）前面填充1行，最后面填充1行；
                 在二维数组array第二维（此处便是列）前面填充2列，最后面填充2列
constant_values=(0,3) 表示第一维填充0，第二维填充3
"""
ndarray=np.pad(arr2D,((1,1),(2,2)),'constant', constant_values=(0,3)) 
     
print("arr2D=",arr2D)
print("ndarray=",ndarray)

运行结果：

arr2D= [[1 1]
[2 2]]
ndarray= [[0 0 0 0 3 3]
[0 0 1 1 3 3]
[0 0 2 2 3 3]
[0 0 3 3 3 3]]

到此这篇关于Python中numpy.pad()函数的使用详解的文章就介绍到这了,更多相关numpy.pad()函数的使用内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

Python3.6中Twisted模块安装的问题与解决
这篇文章主要介绍了Python3.6中Twisted模块安装的问题与解决，文中通过示例代码介绍的非常详细，对大家学习或者使用Python具有一定的参考学习价值，需要的朋友们下面来一起学习学习吧
2019-04-04
深入理解Python变量的数据类型和存储
这篇文章主要介绍了Python变量的数据类型和存储,本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
2021-02-02
详解python 爬取12306验证码
这篇文章主要介绍了python爬取12306验证码，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2019-05-05
解决seaborn在pycharm中绘图不出图的问题
今天小编就为大家分享一篇解决seaborn在pycharm中绘图不出图的问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2018-05-05
Python构建区块链的方法详解
区块链（Blockchain）是一种分布式账本（listributed ledger），它是一种仅供增加（append-only），内容不可变（immutable）的有序（ordered）链式数据结构，该数据结构由网络中的一系列节点共同维护，并且这些节点之间互不信任
2023-02-02
Python数据可视化之使用matplotlib绘制简单图表
这篇文章主要为大家详细介绍了使用matplotlib绘制简单图表的方法，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下，希望能够给你带来帮助
2022-03-03
使用jupyter Nodebook查看函数或方法的参数以及使用情况
这篇文章主要介绍了使用jupyter Nodebook查看函数或方法的参数以及使用情况，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2020-04-04
Python单元测试模块doctest的具体使用
这篇文章主要介绍了Python单元测试模块doctest的具体使用，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2020-02-02
python中split(), os.path.split()和os.path.splitext()的用法
本文主要介绍了python中split(), os.path.split()和os.path.splitext()的用法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2023-02-02
浅谈终端直接执行py文件,不需要python命令
下面小编就为大家带来一篇浅谈终端直接执行py文件,不需要python命令。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧
2017-01-01