tf.pad 用法说明
回顾图像的卷积神经网络的计算，关于图像卷积前后大小改变的一个很重要的公式:输入：w1*h1*c1,卷积核的超参数：卷积核的数量：K；卷积核的大小：F；卷积的步长:S；卷积的零填充：P，卷积后的大小是多少呢？宽度：w2=(w1-F+2P)/S+1，高度同理，而通道数等于卷积核的数量K，所以卷积后图像的大小为:w2*h2*K。什么时候会用到P呢，就是当我们想要得到输出的大小，无法直接实现时，就会使用P来帮忙。
在tensorflow中有专门的用来做填充的函数：tf.pad()。参考了https://blog.csdn.net/qq_40994943/article/details/85331327，作者：路上病人。如要转载望注明出处。
二维tensor
tf.pad( tensor,paddings, mode='CONSTANT',name=None)
输入参数：tensor是待填充的张量，
paddings代表每一维填充多少行/列，它的维度一定要和tensor的维度是一样的，这里的维度不是传统上数学维度，如[[2,3,4],[4,5,6]]是一个2乘3的矩阵，但它依然是二维的，所以pad只能是[[1,2],[1,2]]这种。
mode 可以取三个值，分别是"CONSTANT" ,“REFLECT”,“SYMMETRIC”。
mode=“CONSTANT” 填充0
mode="REFLECT"映射填充，上下（1维）填充顺序和paddings是相反的，左右（零维）顺序补齐
mode="SYMMETRIC"对称填充，上下（1维）填充顺序是和paddings相同的，左右（零维）对称补齐
这么听起来好复杂的样子，看看代码就懂了。
代码一：
t=[[2,3,4],[5,6,7]] print（tf.pad(t,[[1,2],[1,2]],"CONSTANT"))）
结果是：
[[0, 0, 0, 0, 0, 0], [0, 2, 3, 4, 0, 0], [0, 5, 6, 7, 0, 0],
[0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0]]
注意维数和paddings参数，首先输入的张量是一个二维的，所以填充后的张量也一定是二维的，同时思考一下一个二维的tensor给它周围填0，能怎么填呢？无外乎就是上下左右嘛，参数是一个2*2的列表，列表里的第一行[1,2]表示填充行，第一个数代表上面填充1行，第二个数代表下面填充2行，列表的第二行[1,2]就是用来填充列的，第一个数代表左边填充1列，第二个数代表右边填充2列。因为mode="constant"所以都填充0。
代码二：
t=[[2,3,4],[5,6,7]] print（tf.pad(t,[[1,1],[2,2]],"REFLECT"))）
结果是
[[7, 6, 5, 6, 7, 6, 5], [4, 3, 2, 3, 4, 3, 2], [7, 6, 5, 6, 7, 6, 5], [4, 3, 2, 3, 4, 3, 2]]
你一下就能懂这个例子主要是来说明当mode="reflect"时，如何填充张量，仔细看结果，能看出填充效果使得张量是相互交错的，没错reflect就是反射和辉映的意思，所以就是交相辉映。那么具体是如何实现的呢？(是为了方便理解记忆如下分析，具体是先填充列还是行，我也不知道....-_-!)张量首先是进行行的交错填充，填充的行数如上所说不再赘述，填充后的效果如下，
[[5, 6, 7], [ 2, 3, 4], [ 5, 6, 7], [ 2, 3, 4]]
然后再进行列的交错填充，最终就是填充运行后的结果了。
代码三：
t=[[2,3,4],[5,6,7]] print（tf.pad(t,[[1,1],[2,2]],"SYMMETRIC"))）
结果：
[[3, 2, 2, 3, 4, 4, 3], [3, 2, 2, 3, 4, 4, 3], [6, 5, 5, 6, 7, 7, 6], [6, 5, 5, 6, 7, 7, 6]]
不多说空话，直接分析，当mode="symmetric",这个单词的意思就是对称的意思，所以填充后的张量是能够上下对称，左右对称的。同上分析，先行后列。
三维tensor
但是当我们在实际代码中，我们通常是对一个batch的三维图像进行填充，但是我们并不会进行多的填充，仅仅是在三维图像中同时分别填充每一层，写代码时得注意到上面所说的paddings的维数一定要与张量的维数相等，所以我们的实际代码如下：
padded_input = tf.pad(batch_input, [[0, 0], [1, 1], [1, 1], [0, 0]], mode="CONSTANT")
paddings中除了关于图像的height，weight需要填充，其他参数用零代替。
