SpaceToDepth

bookmark_border 컬렉션을 사용해 정리하기 내 환경설정을 기준으로 콘텐츠를 저장하고 분류하세요.

T 유형의 텐서에 대한 SpaceToDepth.

공간 데이터 블록을 깊이 있게 재배열합니다. 더 구체적으로 말하면, 이 작업은 '높이' 및 '너비' 차원의 값이 '깊이' 차원으로 이동되는 입력 텐서의 복사본을 출력합니다. 'block_size' 속성은 입력 블록 크기를 나타냅니다.

* `block_size x block size` 크기의 겹치지 않는 블록은 각 위치에서 깊이로 재배열됩니다. * 출력 텐서의 깊이는 `block_size * block_size * input_length`입니다. * 입력의 각 블록 내 Y, X 좌표는 출력 채널 인덱스의 상위 구성 요소가 됩니다. * 입력 텐서의 높이와 너비는 block_size로 나눌 수 있어야 합니다.

`data_format` 속성은 다음 옵션을 사용하여 입력 및 출력 텐서의 레이아웃을 지정합니다: "NHWC": `[ 배치, 높이, 너비, 채널 ]` "NCHW": `[ 배치, 채널, 높이, 너비 ]` " NCHW_VECT_C": `qint8 [ 배치, 채널 / 4, 높이, 너비, 4 ]`

이 작업을 6차원 텐서 변환으로 간주하는 것이 유용합니다. 예를 들어 data_format = NHWC의 경우 입력 텐서의 각 요소는 6개의 좌표를 통해 지정될 수 있으며 메모리 레이아웃 중요도가 감소하는 순서로 정렬됩니다: n,oY,bY,oX,bX,iC(여기서 n=배치 인덱스, oX, oY는 X를 의미함) 또는 출력 이미지 내의 Y 좌표, bX, bY는 입력 블록 내의 좌표를 의미하고 iC는 입력 채널을 의미합니다. 출력은 다음 레이아웃으로 바뀐 것입니다: n,oY,oX,bY,bX,iC

이 작업은 풀링 대신 컨볼루션 간의 활성화 크기를 조정하는 데 유용합니다(그러나 모든 데이터는 유지). 이는 순수 컨볼루션 모델을 훈련하는 데에도 유용합니다.

예를 들어 `[1, 2, 2, 1]` 형태의 입력이 주어지면 data_format = "NHWC" 및 block_size = 2입니다.

x = [[[[1], [2]],
       [[3], [4]]]]
 

[[[[1, 2, 3, 4]]]]
 

더 큰 깊이를 가진 입력 텐서의 경우 여기에서는 '[1, 2, 2, 3]' 모양입니다. 예:

x = [[[[1, 2, 3], [4, 5, 6]],
       [[7, 8, 9], [10, 11, 12]]]]
 

[[[[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]]]]
 

x = [[[[1],   [2],  [5],  [6]],
       [[3],   [4],  [7],  [8]],
       [[9],  [10], [13],  [14]],
       [[11], [12], [15],  [16]]]]
 

x = [[[[1, 2, 3, 4],
        [5, 6, 7, 8]],
       [[9, 10, 11, 12],
        [13, 14, 15, 16]]]]