共用方式為

(directml.h) DML_PADDING_OPERATOR_DESC結構

  • 發行項

使用邊緣上的常數或鏡像值擴充輸入張量，並將結果寫入輸出。

語法

struct DML_PADDING_OPERATOR_DESC {
  const DML_TENSOR_DESC *InputTensor;
  const DML_TENSOR_DESC *OutputTensor;
  DML_PADDING_MODE      PaddingMode;
  FLOAT                 PaddingValue;
  UINT                  DimensionCount;
  const UINT            *StartPadding;
  const UINT            *EndPadding;
};

成員

InputTensor

類型：const DML_TENSOR_DESC*

包含輸入資料的張量。

OutputTensor

類型：const DML_TENSOR_DESC*

包含輸出資料的張量。 針對每個維度 i ， OutputTensor.Sizes[i] = InputTensor.Sizes[i] + StartPadding[i] + EndPadding[i] 。

PaddingMode

類型： DML_PADDING_MODE

填滿填補區域時要使用的填補模式。

  • DML_PADDING_MODE_CONSTANT。 針對所有填補值使用 PaddingValue 所定義的單一常數值， (請參閱 範例 1) 。
  • DML_PADDING_MODE_EDGE。 針對每個維度，請針對所有填補值使用該維度的邊緣值 (請參閱 範例 2) 。
  • DML_PADDING_MODE_REFLECTION。 鏡像張量的值，就像我們在邊緣上折迭一樣，這表示邊緣不會鏡像。 請注意， StartPadding[i] >= InputTensor.Sizes[i] 和 EndPadding[i] >= InputTensor.Sizes[i] 是有效的，這表示我們可以透過將新的填補區域折迭到先前的填補區域來定期鏡像 (請參閱 範例 3) 。
  • DML_PADDING_MODE_SYMMETRIC。 類似于 DML_PADDING_MODE_REFLECTION，但邊緣也會鏡像。 請注意， StartPadding[i] > InputTensor.Sizes[i] 和 EndPadding[i] > InputTensor.Sizes[i] 是有效的，這表示我們可以定期將新的填補區域折迭到先前的填補區域， (請參閱 範例 4) 。 此模式是在功能層級 DML_FEATURE_LEVEL_3_0 中引進。

PaddingValue

類型： FLOAT

當 時 PaddingMode == DML_PADDING_MODE_CONSTANT 要使用的填補值。 其他填補模式會忽略這個值。 請注意，如果張量的 DataType 不是 DML_TENSOR_DATA_TYPE_FLOAT16 或 DML_TENSOR_DATA_TYPE_FLOAT32，則值可能會截斷 (例如，10.6 會變成 10) 。

DimensionCount

類型： UINT

StartPadding和EndPadding所指向的陣列大小。 這個值必須與 InputTensor 和 OutputTensor的維度計數相同。

StartPadding

類型：_Field_size_ (DimensionCount) const UINT*

要在每個維度開頭加入的填補區域大小。 針對每個維度 i ， StartPadding[i] = OutputTensor.Sizes[i] - InputTensor.Sizes[i] - EndPadding[i] 。

EndPadding

類型：_Field_size_ (DimensionCount) const UINT*

要在每個維度結尾加入的填補區域大小。 針對每個維度 i ， EndPadding[i] = OutputTensor.Sizes[i] - InputTensor.Sizes[i] - StartPadding[i] 。

範例

範例 1

PaddingMode: DML_PADDING_MODE_CONSTANT
PaddingValue: 9
StartPadding: {0, 0, 1, 2}
EndPadding: {0, 0, 3, 4}

InputTensor: (Sizes:{1, 1, 4, 4}, DataType:FLOAT32)
[[[[1, 2, 3, 4],
   [5, 6, 7, 8],
   [1, 2, 3, 4],
   [5, 6, 7, 8]]]]

OutputTensor: (Sizes:{1, 1, 8, 10}, DataType:FLOAT32)
[[[[9, 9, 9, 9, 9, 9, 9, 9, 9, 9]
   [9, 9, 1, 2, 3, 4, 9, 9, 9, 9],
   [9, 9, 5, 6, 7, 8, 9, 9, 9, 9],
   [9, 9, 1, 2, 3, 4, 9, 9, 9, 9],
   [9, 9, 5, 6, 7, 8, 9, 9, 9, 9],
   [9, 9, 9, 9, 9, 9, 9, 9, 9, 9],
   [9, 9, 9, 9, 9, 9, 9, 9, 9, 9],
   [9, 9, 9, 9, 9, 9, 9, 9, 9, 9]]]]

範例 2

PaddingMode: DML_PADDING_MODE_EDGE
StartPadding: {0, 0, 1, 2}
EndPadding: {0, 0, 3, 4}

InputTensor: (Sizes:{1, 1, 4, 4}, DataType:FLOAT32)
[[[[1, 2, 3, 4],
   [5, 6, 7, 8],
   [1, 2, 3, 4],
   [5, 6, 7, 8]]]]

OutputTensor: (Sizes:{1, 1, 8, 10}, DataType:FLOAT32)
[[[[1, 1, 1, 2, 3, 4, 4, 4, 4, 4]
   [1, 1, 1, 2, 3, 4, 4, 4, 4, 4],
   [5, 5, 5, 6, 7, 8, 8, 8, 8, 8],
   [1, 1, 1, 2, 3, 4, 4, 4, 4, 4],
   [5, 5, 5, 6, 7, 8, 8, 8, 8, 8],
   [5, 5, 5, 6, 7, 8, 8, 8, 8, 8],
   [5, 5, 5, 6, 7, 8, 8, 8, 8, 8],
   [5, 5, 5, 6, 7, 8, 8, 8, 8, 8]]]]

範例 3

PaddingMode: DML_PADDING_MODE_REFLECTION
StartPadding: {0, 0, 1, 2}
EndPadding: {0, 0, 3, 4}

InputTensor: (Sizes:{1, 1, 4, 4}, DataType:FLOAT32)
[[[[1, 2, 3, 4],
   [5, 6, 7, 8],
   [1, 2, 3, 4],
   [5, 6, 7, 8]]]]

OutputTensor: (Sizes:{1, 1, 8, 10}, DataType:FLOAT32)
[[[[7, 6, 5, 6, 7, 8, 7, 6, 5, 6]
   [3, 2, 1, 2, 3, 4, 3, 2, 1, 2],
   [7, 6, 5, 6, 7, 8, 7, 6, 5, 6],
   [3, 2, 1, 2, 3, 4, 3, 2, 1, 2],
   [7, 6, 5, 6, 7, 8, 7, 6, 5, 6],
   [3, 2, 1, 2, 3, 4, 3, 2, 1, 2],
   [7, 6, 5, 6, 7, 8, 7, 6, 5, 6],
   [3, 2, 1, 2, 3, 4, 3, 2, 1, 2]]]]

範例 4 從) 開始 DML_FEATURE_LEVEL_3_0 (

PaddingMode: DML_PADDING_MODE_SYMMETRIC
StartPadding: {0, 0, 1, 2}
EndPadding: {0, 0, 3, 4}

InputTensor: (Sizes:{1, 1, 4, 4}, DataType:FLOAT32)
[[[[1, 2, 3, 4],
   [5, 6, 7, 8],
   [1, 2, 3, 4],
   [5, 6, 7, 8]]]]

OutputTensor: (Sizes:{1, 1, 8, 10}, DataType:FLOAT32)
[[[[2, 1, 1, 2, 3, 4, 4, 3, 2, 1]
   [2, 1, 1, 2, 3, 4, 4, 3, 2, 1],
   [6, 5, 5, 6, 7, 8, 8, 7, 6, 5],
   [2, 1, 1, 2, 3, 4, 4, 3, 2, 1],
   [6, 5, 5, 6, 7, 8, 8, 7, 6, 5],
   [6, 5, 5, 6, 7, 8, 8, 7, 6, 5],
   [2, 1, 1, 2, 3, 4, 4, 3, 2, 1],
   [6, 5, 5, 6, 7, 8, 8, 7, 6, 5]]]]

可用性

這個運算子是在 中 DML_FEATURE_LEVEL_1_0 引進。

Tensor 條件約束

InputTensor 和 OutputTensor 必須具有相同 的 DataType 和 DimensionCount。

Tensor 支援

DML_FEATURE_LEVEL_5_0和更新版本

張 種類 支援的維度計數 支援的資料類型
InputTensor 輸入 1 到 8 FLOAT64、FLOAT32、FLOAT16、INT64、INT32、INT16、INT8、UINT64、UINT32、UINT16、UINT8
OutputTensor 輸出 1 到 8 FLOAT64、FLOAT32、FLOAT16、INT64、INT32、INT16、INT8、UINT64、UINT32、UINT16、UINT8

DML_FEATURE_LEVEL_3_1和更新版本

張 種類 支援的維度計數 支援的資料類型
InputTensor 輸入 1 到 8 FLOAT32、FLOAT16、INT32、INT16、INT8、UINT32、UINT16、UINT8
OutputTensor 輸出 1 到 8 FLOAT32、FLOAT16、INT32、INT16、INT8、UINT32、UINT16、UINT8

DML_FEATURE_LEVEL_2_1和更新版本

張 種類 支援的維度計數 支援的資料類型
InputTensor 輸入 4 到 5 FLOAT32、FLOAT16、INT32、INT16、INT8、UINT32、UINT16、UINT8
OutputTensor 輸出 4 到 5 FLOAT32、FLOAT16、INT32、INT16、INT8、UINT32、UINT16、UINT8

DML_FEATURE_LEVEL_1_0和更新版本

張 種類 支援的維度計數 支援的資料類型
InputTensor 輸入 4 到 5 FLOAT32、FLOAT16
OutputTensor 輸出 4 到 5 FLOAT32、FLOAT16

需求

   
標頭 directml.h