开头

实现自己idea的过程中，需要把三维动态数组（形状为[batch_size,seq_length,hidden_unit]，之所以是动态，是因为train、evaluate、predict的batch可以取不同的值）的上下方向padding几行0值，于是便自己动手做了起来，本打算根据batch_size将三维数组分割为多个二维数组，然后将每个二维数组的上下都padding几行0就okay了，结果因为数组是动态的，压根就取不到第一维的值，导致不知道有多少个二维数组，于是我用了折（很）衷（low）的办法——把动态数组变为batch值固定的数组，于是暂时解决了问题，但心里一直放不下，于是边调参边改这个bug，终于困扰了我二十几天的bug被一个自带的函数解决了。说来可气也可笑，解决方法一直都在那儿，可我就是蒙头自己干，不去想想别人有没有写过这个函数。

高潮

由于我的idea本来就是从CNN中得来，于是我想去看CNN中如何实现padding这个功能的，结果没费什么力气便找到了一个函数——tf.pad，直觉告诉我就是它了！于是先动手写了测试程序，测试通过，然后应用到自己的大程序上。

tf.pad

tf.pad(
    tensor,
    paddings,
    mode='CONSTANT',
    name=None,
    constant_values=0
)

参数列表

参数说明

• tensor：你要padding的tensor，假设为A
• padding：是一个整型tensor，形状是[n,2]，n是tensor的维度数，所以
  • 当tensor是二维时，padding的形状就是[2,2]，也就是有两个形状为[1,2]的tensor，第一个tensor对应的是A的第一维的上下方向，第二个tensor对应的是左右方向。

input = tf.constant([[1, 2, 3],
                      [4, 5, 6]])
b = tf.pad(input, [[0, 0], [1, 1]])
c = tf.pad(input, [[1, 1], [0, 0]])
print(tf.Session().run(b))
print(tf.Session().run(c))

第一个输出

[[0 1 2 3 0]
 [0 4 5 6 0]]

第二个输出

[[0 0 0]
 [1 2 3]
 [4 5 6]
 [0 0 0]]

• 当tensor是三维时，padding的形状就是[3,2]，也就是有三个形状为[1,2]的tensor，第一个tensor对应的A的第一维，意思是在A的基础上padding多少个和A形状相同的tensor，第二个tensor对应的是A中每个tensor的上下方向，第三个tensor对应的是左右方向。

input = tf.constant([[[1, 2, 3],
                      [4, 5, 6]],
                     [[2, 2, 5],
                      [4, 3, 7]],
                     [[8, 9, 0],
                      [1, 5, 6]]])
b = tf.pad(input, [[0, 0], [1, 1], [1, 1]])
c = tf.pad(input, [[1, 1], [0, 0], [1, 1]])
print(tf.Session().run(b))
print(tf.Session().run(c))

第一个输出b

[[[0 0 0 0 0]
  [0 1 2 3 0]
  [0 4 5 6 0]
  [0 0 0 0 0]]

 [[0 0 0 0 0]
  [0 2 2 5 0]
  [0 4 3 7 0]
  [0 0 0 0 0]]

 [[0 0 0 0 0]
  [0 8 9 0 0]
  [0 1 5 6 0]
  [0 0 0 0 0]]]

第二个输出c

[[[0 0 0 0 0]
  [0 0 0 0 0]]

 [[0 1 2 3 0]
  [0 4 5 6 0]]

 [[0 2 2 5 0]
  [0 4 3 7 0]]

 [[0 8 9 0 0]
  [0 1 5 6 0]]

 [[0 0 0 0 0]
  [0 0 0 0 0]]]

• mode：这是padding的模式，有三种，分别是CONSTANT、REFLECT和SYMMETRIC，默认是使用CONSTANT，可以照着上面动手试试。
• 其余两个参数我没用到过。