数据预处理 —— padding数据

1. 论conv2d()里的padding和conv2d()前padding的区别及重要性。

　　  小生建议，尽量少用conv2d()里的填充方式，换成自定义填充方式（强烈建议）。

　　  小生为何这样建议呢，是因为小生以前就常使用conv2d()里的padding方式，觉得这样使用简单、不麻烦（o(∩_∩)o哈哈~ 感觉当时好憨哟！）。可是在某一次实验中，得到的效果图在边缘位置十分不理想，我想啊想，想啊想，图像边缘位置我只做过零填充，当时就引起了我的注意，然后通过做对比实验，发现问题还真是由零填充导致的，太开心了(*^▽^*)，实验又有突破了。这次不在卷积时做零填充，换成卷积前做重复填充。什么是重复填充了？就是复制边缘的像素来填充。

　　conv2d()里的padding，采用的是零填充，即在图像像素周围填充零像素点，这样做的坏处是很可能在边缘处产生伪影。还有一点就是pytorch中conv2d()卷积，当卷积核的尺寸是偶数时，不好做‘same’方式卷积，因为conv2d()在填充时，上边缘与下边缘填充数是一样的，很难改变。

　　conv2d()前的padding，可以根据自己的需求填充，目前有四种填充方式，① 零填充；② 常数填充；③ 镜像填充；④ 重复填充；这种方式比较灵活，也很简单，客观可以根据自己的需求来选择使用，四种填充方式，可查看小生的另一篇博文。

　　小生就不多言了，上案列，客官请下观~~。

2. 例子

2.1 conv2d()零填充

2.1.1 code

　　小生在这里给了代码片段，这里就是想告诉客官怎么做卷积的填充。

 

# 读取图片
image1_path = "./fusion_datasets/lytro-01-a.jpg"
image1 = image.open(image1_path)

# 归一化处理和转为tensor
input_transform = transforms.compose([
    transforms.grayscale(1),
    transforms.totensor(),
])

image1_tensor = input_transform(image1).unsqueeze(0)

# 卷积
conv2 = nn.conv2d(1, 3, 8，padding = 4)
image1_conv = conv2(image1_pad)

2.1.2 结果显示

　　客官勿怪，此图是我的实验，过程中的图，还没做到最好的效果，o(∩_∩)o哈哈~，有点不好意思了，捂脸(*/ω＼*)！客官请看边缘处，是不是很多白点，这都是零填充导致的效果不好，将这张图和自定义填充之边缘填充的图对照。

2.2 自定义填充之边缘复制填充

2.2.1 code

　　  小生在这里给了代码片段，这里就是想告诉客官怎么做卷积前的填充。

# 读取图片
image1_path = "./fusion_datasets/lytro-01-a.jpg"
image1 = image.open(image1_path)

# 归一化处理和转为tensor
input_transform = transforms.compose([
    transforms.grayscale(1),
    transforms.totensor(),
])

image1_tensor = input_transform(image1).unsqueeze(0)

# 自定义填充之边缘复制填充
replicationpad = nn.replicationpad2d(padding=(3, 4, 3, 4))
image1_pad = replicationpad(image1_tensor)

# 卷积
conv2 = nn.conv2d(1, 3, 8)
image1_conv = conv2(image1_pad)

2.2.2 结果显示

　　此图与上图对照，边缘的白点基本没有了，嘿嘿(*^▽^*)，好开心(*^▽^*)！

3. 总结

　　努力去爱周围的每一个人，付出，不一定有收获，但是不付出就一定没有收获！ 给街头卖艺的人零钱，不和深夜还在摆摊的小贩讨价还价。愿我的博客对你有所帮助(*^▽^*)(*^▽^*)！

　　如果客官喜欢小生的园子，记得关注小生哟，小生会持续更新(#^.^#)(#^.^#)！