SpaceToDepth

bookmark_border จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ

SpaceToDepth สำหรับเทนเซอร์ประเภท T

จัดเรียงบล็อกข้อมูลเชิงพื้นที่ใหม่ให้มีความลึก โดยเฉพาะอย่างยิ่ง สหกรณ์นี้จะส่งออกสำเนาของเทนเซอร์อินพุตโดยที่ค่าจากมิติ "ความสูง" และ "ความกว้าง" จะถูกย้ายไปยังมิติ "ความลึก" attr `block_size` ระบุขนาดบล็อกอินพุต

* บล็อกที่ไม่ทับซ้อนกันขนาด `block_size x ขนาดบล็อก` จะถูกจัดเรียงใหม่ตามความลึกในแต่ละตำแหน่ง * ความลึกของเทนเซอร์เอาท์พุตคือ `block_size * block_size * input_deep` * พิกัด Y, X ภายในแต่ละบล็อกของอินพุตกลายเป็นองค์ประกอบลำดับสูงของดัชนีช่องสัญญาณเอาท์พุต * ความสูงและความกว้างของเทนเซอร์อินพุตจะต้องหารด้วย block_size ลงตัว

`data_format` attr ระบุโครงร่างของเทนเซอร์อินพุตและเอาท์พุตด้วยตัวเลือกต่อไปนี้: "NHWC": `[ แบทช์ ความสูง ความกว้าง แชนเนล ]` "NCHW": `[ แบทช์ แชนเนล ความสูง ความกว้าง ]` " NCHW_VECT_C": `qint8 [ ชุด, ช่อง / 4, ความสูง, ความกว้าง, 4 ]`

การพิจารณาการดำเนินการเป็นการแปลงเทนเซอร์ 6-D จะเป็นประโยชน์ เช่น สำหรับ data_format = NHWC แต่ละองค์ประกอบในเทนเซอร์อินพุตสามารถระบุได้ผ่าน 6 พิกัด เรียงลำดับโดยการลดความสำคัญเค้าโครงหน่วยความจำเป็น: n,oY,bY,oX,bX,iC (โดยที่ n=ดัชนีแบทช์, oX, oY หมายถึง X หรือพิกัด Y ภายในภาพที่ส่งออก, bX, bY หมายถึงพิกัดภายในบล็อกอินพุต, iC หมายถึงช่องสัญญาณอินพุต) เอาต์พุตจะเป็นการทรานสโพสไปยังโครงร่างต่อไปนี้: n,oY,oX,bY,bX,iC

การดำเนินการนี้มีประโยชน์สำหรับการปรับขนาดการเปิดใช้งานระหว่างการโนโวลูชั่น (แต่เก็บข้อมูลทั้งหมด) เช่น แทนที่จะรวมกลุ่ม นอกจากนี้ยังมีประโยชน์สำหรับการฝึกโมเดลแบบ Convolutional เพียงอย่างเดียวอีกด้วย

ตัวอย่างเช่น เมื่อป้อนข้อมูลรูปร่าง `[1, 2, 2, 1]`, data_format = "NHWC" และ block_size = 2:

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

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

สำหรับเทนเซอร์อินพุตที่มีความลึกมากขึ้น รูปร่างในที่นี้ `[1, 2, 2, 3]` เช่น

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]]]]