小生建議，盡量少用conv2d()裡的填充方式，換成自定義填充方式（強烈建議）。
小生為何這樣建議呢，是因為小生以前就常使用conv2d()裡的padding方式，覺得這樣使用簡單、不麻煩（o(∩_∩)o哈哈~ 感覺當時好憨喲！）。可是在某一次實驗中，得到的效果圖在邊緣位置十分不理想，我想啊想，想啊想，影象邊緣位置我只做過零填充，當時就引起了我的注意，然後通過做對比實驗，發現問題還真是由零填充導致的，太開心了(*^▽^*)，實驗又有突破了
。這次不在卷積時做零填充，換成卷積前做重複填充。什麼是重複填充了？就是複製邊緣的畫素來填充。
conv2d()裡的padding，採用的是零填充，即在影象畫素周圍填充零畫素點，這樣做的壞處是很可能在邊緣處產生偽影。還有一點就是pytorch中conv2d()卷積，當卷積核的尺寸是偶數時，不好做『same』方式卷積，因為conv2d()在填充時，上邊緣與下邊緣填充數是一樣的，很難改變。
conv2d()前的padding，可以根據自己的需求填充，目前有四種填充方式，① 零填充；② 常數填充；③ 映象填充；④ 重複填充；這種方式比較靈活，也很簡單，客觀可以根據自己的需求來選擇使用，四種填充方式，可檢視小生的另一篇博文。
小生就不多言了，上案列，客官請下觀~~。
小生在這裡給了**片段，這裡就是想告訴客官怎麼做卷積的填充。
#客官勿怪，此圖是我的實驗，過程中的圖，還沒做到最好的效果，o(∩_∩)o哈哈~，有點不好意思了，捂臉(*/ω＼*)！客官請看邊緣處，是不是很多白點，這都是零填充導致的效果不好，將這張圖和自定義填充之邊緣填充的圖對照。讀取image1_path = "
#歸一化處理和轉為tensor
input_transform =transforms.compose([
transforms.grayscale(1),
transforms.totensor(),
])image1_tensor =input_transform(image1).unsqueeze(0)#卷積
conv2 = nn.conv2d(1, 3, 8，padding = 4)
image1_conv = conv2(image1_pad)
小生在這裡給了**片段，這裡就是想告訴客官怎麼做卷積前的填充。
#此圖與上圖對照，邊緣的白點基本沒有了，嘿嘿(*^▽^*)，好開心(*^▽^*)！讀取image1_path = "
#歸一化處理和轉為tensor
input_transform =transforms.compose([
transforms.grayscale(1),
transforms.totensor(),
])image1_tensor =input_transform(image1).unsqueeze(0)
#自定義填充之邊緣複製填充
replicationpad = nn.replicationpad2d(padding=(3, 4, 3, 4))
image1_pad =replicationpad(image1_tensor)#卷積
conv2 = nn.conv2d(1, 3, 8)
image1_conv = conv2(image1_pad)
努力去愛周圍的每乙個人，付出，不一定有收穫，但是不付出就一定沒有收穫！ 給街頭賣藝的人零錢，不和深夜還在擺攤的小販討價還價。願我的部落格對你有所幫助(*^▽^*)(*^▽^*)！
如果客官喜歡小生的園子，記得關注小生喲，小生會持續更新(#^.^#)(#^.^#)！
資料預處理
現實世界中資料大體上都是不完整，不一致的髒資料，無法直接進行資料探勘，或挖掘結果差強人意。為了提前資料探勘的質量產生了資料預處理技術。資料預處理有多種方法 資料清理，資料整合，資料變換，資料歸約等。這些資料處理技術在資料探勘之前使用，大大提高了資料探勘模式的質量，降低實際挖掘所需要的時間。一 資料清...
資料預處理
常見的資料預處理方法，以下通過sklearn的preprocessing模組來介紹 變換後各維特徵有0均值，單位方差。也叫z score規範化 零均值規範化 計算方式是將特徵值減去均值，除以標準差。sklearn.preprocessing scale x 一般會把train和test集放在一起做標...
資料預處理
用cut函式分箱 有時把數值聚集在一起更有意義。例如，如果我們要為交通狀況 路上的汽車數量 根據時間 分鐘資料 建模。具體的分鐘可能不重要，而時段如 上午 下午 傍晚 夜間 深夜 更有利於 如此建模更直觀，也能避免過度擬合。這裡我們定義乙個簡單的 可復用的函式，輕鬆為任意變數分箱。def binni...