1. 選用捲積之前填充（強烈建議）

　　 小生非常推薦大家不再使用捲積所帶的填充方式，雖然那種方式簡單，但缺陷太多。① 不能根據自己的需要來決定上與下填充不等的邊界，左右填充不等的邊界；② 邊界填充零容易出現偽影的情況，對實驗效果影響比較大。將捲積中的Padding方式換為捲積前Padding效果會更佳，以下列了四種填充方式（零填充，常數填充，鏡像填充，複製填充）。

　　小生就不贅言了，客官請下觀~~

2. 邊界填充之零填充

　　零填充是常數填充的特例，這種填充方式和捲積中的填充的類似，都是填充零元素，不過這個比捲積填充更靈活，我們可以根據自己的需要再上下左右分別填充相應的0元素。

2.1 Code

 1 import torch
 2 import torch.nn as nn
 3 
 4 
 5 # ==================  零填充  ==================
 6 def conv_ZeroPad2d():
 7     # 定義一個四維數據：(batchSize, channel, height, width)
 8     data = torch.tensor([[[[1, 2, 3],
 9                            [4, 5, 6],
10                            [7, 8, 9]]]]).float()
11     print("data_shape: ", data.shape)
12     print("data: ", data)
13     # 零填充，在邊界填充n個0,分別為：左、右、上、下
14     ZeroPad = nn.ZeroPad2d(padding=(1, 2, 1, 2))
15     data1 = ZeroPad(data)
16     print("data1_shape: ", data1.shape)
17     print("data1: ", data1)
18 
19 
20 if __name__ == '__main__':
21     conv_ZeroPad2d()

2.2 結果顯示

　　  可以看到，分別在左邊填充1列0元素，右邊填充2列0元素，上邊填充1列0元素，下邊填充2列0元素。

 3. 邊界填充之常數填充

　　常數填充方式， 可以根據自己的需要在上下左右分別填充指定的元素。

3.1 Code

 1 import torch
 2 
 3 
 4 # ================== 常量填充 ==================
 5 def conv_ConstantPad2d():
 6     # 定義一個四維數據：(batchSize, channel, height, width)
 7     data = torch.tensor([[[[1, 2, 3],
 8                            [4, 5, 6],
 9                            [7, 8, 9]]]]).float()
10     print("data_shape: ", data.shape)
11     print("data: ", data)
12     # 用給定的紙填充，0填充是常亮填充的特列，分別為：左、右、上、下
13     ConstantPad = nn.ConstantPad2d(padding=(1, 2, 1, 2), value=10)
14     data1 = ConstantPad(data)
15     print("data1_shape: ", data1.shape)
16     print("data1: ", data1)
17 
18 
19 if __name__ == '__main__':
20     conv_ConstantPad2d()

3.2 結果顯示

　　可以看到，分別在左邊填充1列10元素，右邊填充2列10元素，上邊填充1列10元素，下邊填充2列10元素。

4. 邊界填充之鏡像填充

   鏡像填充方式是根據對稱性來填充的。

4.1 Code

 1 import torch 
 2 
 3 
 4 # ================== 鏡像填充 ==================
 5 def conv_ReflectionPad2d():
 6     # 定義一個四維數據：(batchSize, channel, height, width)
 7     data = torch.tensor([[[[1, 2, 3],
 8                            [4, 5, 6],
 9                            [7, 8, 9]]]]).float()
10     print("data_shape: ", data.shape)
11     print("data: ", data)
12     # 複製邊界n次，分別為：左、右、上、下
13     ReflectionPad = nn.ReflectionPad2d(padding=(1, 2, 1, 2))
14     data1 = ReflectionPad(data)
15     print("data1_shape: ", data1.shape)
16     print("data1: ", data1)
17 
18 
19 if __name__ == '__main__':
20     conv_ReflectionPad2d()

4.2 結果顯示

5. 邊界填充之複製填充

　　複製填充方式，小生非常推薦。複製填充是複製最外邊界的元素來填充，這樣填充的元素與邊界元素相近，對實驗結果的影響會降到最小。

5.1 Code

 1 import torch
 2 
 3 
 4 # ================== 重覆填充 ==================
 5 def conv_ReplicationPad2d():
 6     # 定義一個四維數據：(batchSize, channel, height, width)
 7     data = torch.tensor([[[[1, 2, 3],
 8                            [4, 5, 6],
 9                            [7, 8, 9]]]]).float()
10     print("data_shape: ", data.shape)
11     print("data: ", data)
12     # 用對稱位置的像素來填充,分別為：左、右、上、下
13     ReplicationPad = nn.ReplicationPad2d(padding=(1, 2, 1, 2))
14     data1 = ReplicationPad(data)
15     print("data1_shape: ", data1.shape)
16     print("data1: ", data1)
17 
18 
19 if __name__ == '__main__':
20     conv_ReplicationPad2d()

5.2 結果顯示

　　 可以看到，填充的元素與最外邊界的元素相同。

 6. 總結

　　努力去愛周圍的每一個人，付出，不一定有收穫，但是不付出就一定沒有收穫！ 給街頭賣藝的人零錢，不和深夜還在擺攤的小販討價還價。願我的博客對你有所幫助(*^▽^*)(*^▽^*)！

　　如果客官喜歡小生的園子，記得關註小生喲，小生會持續更新(#^.^#)(#^.^#)！