pypto.pad#

产品支持情况#

产品	是否支持
Ascend 950PR/Ascend 950DT	√
Atlas A3 训练系列产品/Atlas A3 推理系列产品	√
Atlas A2 训练系列产品/Atlas A2 推理系列产品	√

功能说明#

对输入 Tensor 进行填充（Padding）。

填充大小根据 pad 参数从输入 Tensor 的最后一个维度开始，由后向前依次描述。pad 参数的格式为 \((pad\_left, pad\_right, pad\_top, pad\_bottom, ...)\)。当前实现仅支持对最后两个维度进行常量（Constant）模式的右侧（Right）和底部（Bottom）填充。

函数原型#

pad(input: Tensor, pad: Sequence[int], mode: str = "constant", value: float = 0.0) -> Tensor

参数说明#

参数名	输入/输出	说明
input	输入	需要进行填充的源操作数。支持的类型为：Tensor。 Tensor支持的数据类型为：DT_FP32、DT_FP16、DT_BF16。不支持空Tensor；Shape仅支持1-4维；Shape Size不大于2147483647（即INT32_MAX）。
pad	输入	填充大小序列。支持的类型为：tuple 或 list (包含int)。序列长度 \(m\) 必须为偶数，且满足 \(\frac{m}{2} \leq\) `input` 的维度数。格式为：`(pad_left, pad_right, pad_top, pad_bottom, ...)` 所有填充大小序列的值必须为非负整数，负值不支持。
mode	输入	填充模式。支持的类型为：str。可选值为 `'constant'`、`'reflect'`、`'replicate'` 或 `'circular'`。默认值：`'constant'`。注意：当前仅支持 `'constant'` 模式。
value	输入	当填充模式为常量填充 (`'constant'`) 时的填充值。支持的类型为：float。支持任意浮点数值，包括 `-inf`、`inf`、`0.0` 以及其他任意浮点数（如 `1.0`、`-1.0`、`0.5` 等）。默认值：`0.0`。

返回值说明#

返回输出 Tensor，Tensor 的数据类型和 input 相同，Shape 为根据 pad 参数在对应维度上扩展后的大小。

约束说明#

pad 参数的长度必须为2或者4，pad 参数中的填充大小序列的值必须为非负整数。负值填充不支持。如果传入负值，将抛出ValueError。
当前仅支持多维情况下在右侧（Right）和底部（Bottom）进行填充，或者1维情况下在右侧（Right）填充。即 pad 序列中向左和向上的填充量必须为 0（例如格式必须为 (0, pad_right, 0, pad_bottom) 或者(0, pad_right)）。
mode当前仅支持 'constant'（常量填充）模式，其他模式暂不支持。
value 支持任意浮点数值，填充值的数据类型会自动转换为与输入 Tensor 一致。
如果 input 不是 Tensor 类型，或 pad 不是整数序列，将抛出 TypeError。

调用示例#

TileShape设置示例#

说明：调用该 operation 接口前，应通过 set_vec_tile_shapes 设置 TileShape。

TileShape 维度应和**输出（填充后的 Shape）**一致。

示例1：输入 input shape 为 [m, n]，如果对其在 n 轴右侧填充了 p，则输出 shape 为 [m, n+p]，TileShape 设置为 [m1, n1]，则 m1, n1 分别用于切分输出的 m, n+p 轴。

pypto.set_vec_tile_shapes(4, 16)

接口调用示例#

# 示例：对一个 shape 为 [1, 1, 2, 2] 的 Tensor 进行填充
# 最后一个维度 (右侧) 填充 1
# 倒数第二个维度 (底部) 填充 1
t4d = pypto.tensor([0.0, 1.0, 2.0, 3.0], pypto.DT_FP32)
# 假设内部已将一维数据 reshape 为 [1, 1, 2, 2]

p1 = (0, 1, 0, 1)  # (pad_left=0, pad_right=1, pad_top=0, pad_bottom=1)
out = pypto.pad(t4d, p1, mode="constant", value=0.0)

结果示例如下：

# 输入数据 t4d (逻辑 shape 为 [1, 1, 2, 2]):
[[[[0.0, 1.0],
   [2.0, 3.0]]]]

# 输出数据 out (逻辑 shape 扩展为 [1, 1, 3, 3]):
[[[[0.0, 1.0, 0.0],
   [2.0, 3.0, 0.0],
   [0.0, 0.0, 0.0]]]]