注：本系列所有博客将持续更新并发布在github上，您可以通过github下载本系列所有文章笔记文件。
1 pad()
tf.pad函数主要是用来对tensor的大小进行扩展，包括水平、垂直、深度(通道)等,方法定义如下：
pad(tensor, paddings, mode="CONSTANT", name=None, constant_values=0)
输入参数：
-
tensor:输入的tensor
-
paddings:设置填充的大小
-
mode:填充方式，默认是CONSTANT,还有REFLECT和SYMMETRIC
-
name:名称
-
constant_values：CONSTANT填充方式的填充值,默认是0
参数paddings必须是形状为（n, 2）的一个list，这里的n是tensor的秩，也就是维度大小。例如当tensor为一个shape为（12，）的tensor时，paddings必须是形如[[x，y]]的一个list，x表示在第一维度前填充值的个数，y表示在第一维度后填充值的个数：
import tensorflow as tf
a = tf.range(1,13)
a
<tf.Tensor: id=3, shape=(12,), dtype=int32, numpy=array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12], dtype=int32)>
tf.pad(a, [[3,0]]) # 3表示在第一维度前填充3个0,0表示不填充
<tf.Tensor: id=5, shape=(15,), dtype=int32, numpy=
array([ 0, 0, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12],
dtype=int32)>
当tensor是二维时，paddings必须是shape为（2,2）的list：
a = tf.reshape(a, [3, 4])
a
<tf.Tensor: id=7, shape=(3, 4), dtype=int32, numpy=
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]], dtype=int32)>
tf.pad(a, [[1,1],[3,0]], constant_values=3) # 第一维度前后各填充一行，第二维度前填充两行，后不填充，填充值为3
<tf.Tensor: id=10, shape=(5, 7), dtype=int32, numpy=
array([[ 3, 3, 3, 3, 3, 3, 3],
[ 3, 3, 3, 1, 2, 3, 4],
[ 3, 3, 3, 5, 6, 7, 8],
[ 3, 3, 3, 9, 10, 11, 12],
[ 3, 3, 3, 3, 3, 3, 3]], dtype=int32)>
对于3维tensor，paddings是一个shape为（3,2）的list：
a = tf.reshape(a, [2, 2, 3])
a
<tf.Tensor: id=12, shape=(2, 2, 3), dtype=int32, numpy=
array([[[ 1, 2, 3],
[ 4, 5, 6]],
[[ 7, 8, 9],
[10, 11, 12]]], dtype=int32)>
tf.pad(a, [[1, 0],[1,1],[1,0]]) # 第一维度前填充1块数据，后不填充，第二维度前后各填充1行，第三维度前填充1列，后不填充
<tf.Tensor: id=14, shape=(3, 4, 4), dtype=int32, numpy=
array([[[ 0, 0, 0, 0],
[ 0, 0, 0, 0],
[ 0, 0, 0, 0],
[ 0, 0, 0, 0]],
[[ 0, 0, 0, 0],
[ 0, 1, 2, 3],
[ 0, 4, 5, 6],
[ 0, 0, 0, 0]],
[[ 0, 0, 0, 0],
[ 0, 7, 8, 9],
[ 0, 10, 11, 12],
[ 0, 0, 0, 0]]], dtype=int32)>
a = tf.range(1,13)
a = tf.reshape(a,[3,4])
a
<tf.Tensor: id=20, shape=(3, 4), dtype=int32, numpy=
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]], dtype=int32)>
当指定填充模式mode为'REFLECT'时，指的是以各维度边缘为对称轴进行填充（不包括边缘数据也就是对称轴本身），且填充的规模不能大于该维度原有规模-1：
tf.pad(a, [[2,1],[3,1]],mode='REFLECT') # 对第二个维度填充时，如果大于3就回产生异常，因为3已经可以把第二维度所有数据复制一遍
<tf.Tensor: id=22, shape=(6, 8), dtype=int32, numpy=
array([[12, 11, 10, 9, 10, 11, 12, 11],
[ 8, 7, 6, 5, 6, 7, 8, 7],
[ 4, 3, 2, 1, 2, 3, 4, 3],
[ 8, 7, 6, 5, 6, 7, 8, 7],
[12, 11, 10, 9, 10, 11, 12, 11],
[ 8, 7, 6, 5, 6, 7, 8, 7]], dtype=int32)>
SYMMETRIC填充模式与REFLECT填充模式一样，都是以边缘为对称轴进行赋值填充，不过SYMMETRIC模式会对对称轴进行赋值，所以指定的规模最大可以为原规模：
tf.pad(a, [[2,1],[4,1]],mode='SYMMETRIC') # 这时候对第二个维度填充规模可以为4，但是超过4旧货产生异常
<tf.Tensor: id=24, shape=(6, 9), dtype=int32, numpy=
array([[ 8, 7, 6, 5, 5, 6, 7, 8, 8],
[ 4, 3, 2, 1, 1, 2, 3, 4, 4],
[ 4, 3, 2, 1, 1, 2, 3, 4, 4],
[ 8, 7, 6, 5, 5, 6, 7, 8, 8],
[12, 11, 10, 9, 9, 10, 11, 12, 12],
[12, 11, 10, 9, 9, 10, 11, 12, 12]], dtype=int32)>
2 tile()
tile()方法对指定维度进行复制，定义如下：
tile(input, multiples, name=None)：
- input：需要复制的tensor
- multiples: 各维度需要复制的次数，0表示去除数据，1表示不复制，2表示复制一次
参数multiples是一个长度与tensor的秩相等的list，例如当tensor的shape为（12，）时，multiples的shape也必须为只有一个元素的list，例如multiples=[2],表示对第一维度复制1次：
a = tf.range(12)
tf.tile(a,[2])
<tf.Tensor: id=33, shape=(24,), dtype=int32, numpy=
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 0, 1, 2, 3, 4,
5, 6, 7, 8, 9, 10, 11], dtype=int32)>
当tensor的shape为（3,4）时，multiples是一个包含两个元素的list：
a = tf.reshape(a, [3,4])
tf.tile(a, [2,3]) # 第一维度复制1次，第二维度复制2次
<tf.Tensor: id=37, shape=(6, 12), dtype=int32, numpy=
array([[ 0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3],
[ 4, 5, 6, 7, 4, 5, 6, 7, 4, 5, 6, 7],
[ 8, 9, 10, 11, 8, 9, 10, 11, 8, 9, 10, 11],
[ 0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3],
[ 4, 5, 6, 7, 4, 5, 6, 7, 4, 5, 6, 7],
[ 8, 9, 10, 11, 8, 9, 10, 11, 8, 9, 10, 11]], dtype=int32)>
当tensor的shape为(2,2,3时，multiples是一个包含3个元素list：
a = tf.reshape(a, [2,2,3])
tf.tile(a, [2,1,2])
<tf.Tensor: id=41, shape=(4, 2, 6), dtype=int32, numpy=
array([[[ 0, 1, 2, 0, 1, 2],
[ 3, 4, 5, 3, 4, 5]],
[[ 6, 7, 8, 6, 7, 8],
[ 9, 10, 11, 9, 10, 11]],
[[ 0, 1, 2, 0, 1, 2],
[ 3, 4, 5, 3, 4, 5]],
[[ 6, 7, 8, 6, 7, 8],
[ 9, 10, 11, 9, 10, 11]]], dtype=int32)>
