LocalResponseNormalization

การทำให้เป็นมาตรฐานการตอบสนองในท้องถิ่น

เทนเซอร์ 'อินพุต' 4-D ถือเป็นอาร์เรย์ 3-D ของเวกเตอร์ 1-D (ตามมิติสุดท้าย) และเวกเตอร์แต่ละตัวจะถูกทำให้เป็นมาตรฐานโดยแยกจากกัน ภายในเวกเตอร์ที่กำหนด แต่ละองค์ประกอบจะถูกหารด้วยผลรวมกำลังสองแบบถ่วงน้ำหนักของอินพุตภายใน `deep_radius` ในรายละเอียด,

sqr_sum[a, b, c, d] = sum(input[a, b, c, d - deep_radius : d + deep_radius + 1] ** 2) output = input / (bias + alpha * sqr_sum) ** เบต้า

สำหรับรายละเอียด โปรดดู [Krizhevsky et al. การจำแนกประเภทของ ImageNet ด้วยเครือข่ายประสาทเทียมแบบลึก (NIPS 2012)] (http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks ).