ReflectionPad2d#

classtorch.nn.ReflectionPad2d(padding)[source]#

Pads the input tensor using the reflection of the input boundary.

ForN-dimensional padding, usetorch.nn.functional.pad().

Parameters

padding (int,tuple) – the size of the padding. If isint, uses the samepadding in all boundaries. If a 4-tuple, uses ($\text{padding\_left}$padding_left,$\text{padding\_right}$padding_right,$\text{padding\_top}$padding_top,$\text{padding\_bottom}$padding_bottom)Note that padding size should be less than the corresponding input dimension.

Shape:

• Input:$(N,C,H_{in},W_{in})$(N,C,Hin​,Win​) or$(C,H_{in},W_{in})$(C,Hin​,Win​).

• Output:$(N,C,H_{out},W_{out})$(N,C,Hout​,Wout​) or$(C,H_{out},W_{out})$(C,Hout​,Wout​) where

  $H_{out}=H_{in}+\text{padding\_top}+\text{padding\_bottom}$Hout​=Hin​+padding_top+padding_bottom

  $W_{out}=W_{in}+\text{padding\_left}+\text{padding\_right}$Wout​=Win​+padding_left+padding_right

Examples:

>>>m=nn.ReflectionPad2d(2)>>>input=torch.arange(9,dtype=torch.float).reshape(1,1,3,3)>>>inputtensor([[[[0., 1., 2.],          [3., 4., 5.],          [6., 7., 8.]]]])>>>m(input)tensor([[[[8., 7., 6., 7., 8., 7., 6.],          [5., 4., 3., 4., 5., 4., 3.],          [2., 1., 0., 1., 2., 1., 0.],          [5., 4., 3., 4., 5., 4., 3.],          [8., 7., 6., 7., 8., 7., 6.],          [5., 4., 3., 4., 5., 4., 3.],          [2., 1., 0., 1., 2., 1., 0.]]]])>>># using different paddings for different sides>>>m=nn.ReflectionPad2d((1,1,2,0))>>>m(input)tensor([[[[7., 6., 7., 8., 7.],          [4., 3., 4., 5., 4.],          [1., 0., 1., 2., 1.],          [4., 3., 4., 5., 4.],          [7., 6., 7., 8., 7.]]]])