tf.pad()--填充操作

填充（padding），在矩阵的周围补0操作，一般用于进行卷积操作之前，使得每个输入像素都能作为卷积核窗口的中心。

函数形式：

 tf.pad( tensor,paddings, mode='CONSTANT',name=None,constant_values = 0 )

参数解释：

tensor：要填充的张量；

padings：代表每一维填充多少，它的维度和tensor的维度一样；

此操作根据您指定的 paddings 来填充一个 tensor，paddings 是一个具有形状 [n, 2] 的整数张量，其中 n 是 tensor 的秩，对于每个输入维度 D，paddings [D, 0] 表示在该维度的 tensor 内容之前要添加多少个值，而 paddings[D, 1] 表示在该维度中的 tensor 内容之后要添加多少值。

输出维度D的大小：

paddings[D, 0] + tensor.dim_size(D) + paddings[D, 1]

参数解释：

mode：可以取三个值，分别是"CONSTANT"、“REFLECT”、“SYMMETRIC”；

mode=“CONSTANT” 填充0；

mode="REFLECT" 映射填充，上下（1维）填充顺序和paddings是相反的，左右（零维）顺序补齐；

mode="SYMMETRIC" 对称填充，上下（1维）填充顺序是和paddings相同的，左右（零维）对称补齐；

name：操作的名称(可选)；

constant_values：在 “CONSTANT” 模式下，要使用的标量填充值,必须与 tensor 具有相同类型(可选)。

返回：

该函数返回一个张量，与 tensor 具有相同的类型。

实例：

输入图像format为：N*H*W*C（N：batch数量，H：高，W：宽，C：通道数）

def _fixed_padding(inputs, kernel_size):
    pad_total = kernel_size - 1
    pad_beg = pad_total // 2
    pad_end = pad_total - pad_beg
    padded_inputs = tf.pad(inputs, [[0, 0], [pad_beg, pad_end],[pad_beg, pad_end], [0, 0]], mode='CONSTANT')
    return padded_inputs

input：4维，2*416*416*1

padding：[[0, 0], [pad_beg, pad_end], [pad_beg, pad_end], [0, 0]]，代表在每一个"维度"上填充多少行或多少列，“维度”和输入张量的“维度”一样，这里的“维度”是指比如输入inputs大小是2*416*416*1，就是4维，然后填充顺序也要保证有四维，即大概这种形状：[[ ，]，[ ，]，[ ，]，[ ，]]，然后第一行就对应输入inputs中的2（N）这个维度，第二行对应输入inputs中的416（H）这个维度，第三行对应输入inputs中的416（W）这个维度，第四行对应输入inputs中的1（C）这个维度。

假设kernel_size=3，则pad_beg = 1，pad_end = 1，填充顺序为[[0, 0], [1, 2], [2,1], [0, 0]]，意义是：在batch=2这个维度，[0,0]表示头和尾填充行或列数为0，即不填充；在416(H)这个维度上，[1,2]表示头和尾分别都要填充，即最上面填充1行，最下面填充2行；在416(W)这个维度上，[2,1]表示头和尾分别都要填充，即最左边填充2列，最右边填充1列；在channel=1这个维度，[0,0]表示头和尾填充行或列数为0，即不填充。经过tf.pad()后，张量大小变为2*419*419*1（N*H*W*C）。

tensorflow卷积中的两种padding方式“SAME”和“VALID”：

padding后矩阵大小的两种计算公式： 

padding=‘VALID：’[向上取整]

padding=‘same：’[向上取整]

W:输入图片大小W*W

F:卷积核大小F*F

S:步长stride

P:padding