Conv2D

@frozen
public struct Conv2D<Scalar> : Layer where Scalar : TensorFlowFloatingPoint

เลเยอร์การบิดแบบ 2 มิติ (เช่น การบิดแบบเชิงพื้นที่เหนือรูปภาพ)

เลเยอร์นี้สร้างตัวกรองการบิดที่เชื่อมโยงกับอินพุตเลเยอร์เพื่อสร้างเทนเซอร์ของเอาท์พุต

  • ตัวกรองการบิดแบบ 4 มิติ

    คำประกาศ

    public var filter: Tensor<Scalar>

  • เวกเตอร์อคติ

    คำประกาศ

    public var bias: Tensor<Scalar>

  • ฟังก์ชั่นการเปิดใช้งานตามองค์ประกอบ

    คำประกาศ

    @noDerivative
public let activation: Activation

  • ความก้าวหน้าของหน้าต่างบานเลื่อนเพื่อมิติเชิงพื้นที่

    คำประกาศ

    @noDerivative
public let strides: (Int, Int)

  • อัลกอริธึมการเติมสำหรับการบิด

    คำประกาศ

    @noDerivative
public let padding: Padding

  • ปัจจัยการขยายสำหรับมิติเชิงพื้นที่

    คำประกาศ

    @noDerivative
public let dilations: (Int, Int)

  • ประเภทฟังก์ชันการเปิดใช้งานตามองค์ประกอบ

    คำประกาศ

    public typealias Activation = @differentiable (Tensor<Scalar>) -> Tensor<Scalar>

  • สร้างเลเยอร์ Conv2D พร้อมด้วยตัวกรอง อคติ ฟังก์ชันการเปิดใช้งาน การก้าวย่าง การขยาย และการแพดดิ้งที่ระบุ

    คำประกาศ

    public init(
  filter: Tensor<Scalar>,
  bias: Tensor<Scalar>? = nil,
  activation: @escaping Activation = identity,
  strides: (Int, Int) = (1, 1),
  padding: Padding = .valid,
  dilations: (Int, Int) = (1, 1)
)

    พารามิเตอร์

    filter

    ตัวกรองแบบหมุนวน 4 มิติของรูปร่าง [ความสูงของตัวกรอง ความกว้างของตัวกรอง จำนวนช่องอินพุต จำนวนช่องสัญญาณเอาต์พุต]

    bias

    เวกเตอร์อคติของรูปร่าง [จำนวนช่องสัญญาณออก]

    activation

    ฟังก์ชั่นการเปิดใช้งานตามองค์ประกอบ

    strides

    ก้าวของหน้าต่างบานเลื่อนสำหรับมิติเชิงพื้นที่ เช่น (ความสูงก้าว ความกว้างก้าว)

    padding

    อัลกอริธึมการเติมสำหรับการบิด

    dilations

    ปัจจัยการขยายสำหรับมิติเชิงพื้นที่ เช่น (ความสูงของการขยาย ความกว้างของการขยาย)

  • ส่งกลับผลลัพธ์ที่ได้จากการใช้เลเยอร์กับอินพุตที่กำหนด

    มิติเชิงพื้นที่เอาต์พุตคำนวณได้ดังนี้:

    ความสูงเอาท์พุต = (ความสูงอินพุต + 2 * ความสูงของการเสริม - (ความสูงการขยาย * (ความสูงของตัวกรอง - 1) + 1)) / ความสูงก้าวย่าง + 1

    ความกว้างเอาต์พุต = (ความกว้างอินพุต + 2 * ความกว้างของช่องว่างภายใน - (ความกว้างของการขยาย * (ความกว้างของตัวกรอง - 1) + 1)) / ความกว้างก้าว + 1

    และขนาดการเสริมจะถูกกำหนดโดยโครงร่างการเสริม

    บันทึก

    ขนาดช่องว่างภายในเท่ากับศูนย์เมื่อใช้ .valid

    คำประกาศ

    @differentiable
public func forward(_ input: Tensor<Scalar>) -> Tensor<Scalar>

    พารามิเตอร์

    input

    การป้อนข้อมูลไปยังเลเยอร์ของรูปร่าง [ขนาดแบทช์ ความสูงของอินพุต ความกว้างอินพุต จำนวนช่องอินพุต]

    ค่าส่งคืน

    ผลลัพธ์ของรูปร่าง [จำนวนแบทช์ ความสูงเอาต์พุต ความกว้างเอาต์พุต จำนวนช่องสัญญาณเอาต์พุต]

  • สร้างเลเยอร์ Conv2D ด้วยรูปร่างตัวกรอง ระยะก้าว ระยะห่างจากขอบ การขยาย และฟังก์ชันการเปิดใช้งานตามองค์ประกอบที่ระบุ

    คำประกาศ

    public init(
  filterShape: (Int, Int, Int, Int),
  strides: (Int, Int) = (1, 1),
  padding: Padding = .valid,
  dilations: (Int, Int) = (1, 1),
  activation: @escaping Activation = identity,
  useBias: Bool = true,
  filterInitializer: ParameterInitializer<Scalar> = glorotUniform(),
  biasInitializer: ParameterInitializer<Scalar> = zeros()
)

    พารามิเตอร์

    filterShape

    รูปร่างของตัวกรองแบบหมุนวน 4 มิติ ซึ่งเป็นตัวแทน (ความสูงของตัวกรอง ความกว้างของตัวกรอง จำนวนช่องสัญญาณอินพุต จำนวนช่องสัญญาณเอาต์พุต)

    strides

    ก้าวของหน้าต่างบานเลื่อนสำหรับมิติเชิงพื้นที่ เช่น (ความสูงก้าว ความกว้างก้าว)

    padding

    อัลกอริธึมการเติมสำหรับการบิด

    dilations

    ปัจจัยการขยายสำหรับมิติเชิงพื้นที่ เช่น (ความสูงของการขยาย ความกว้างของการขยาย)

    activation

    ฟังก์ชั่นการเปิดใช้งานตามองค์ประกอบ

    filterInitializer

    Initializer ที่จะใช้สำหรับพารามิเตอร์ตัวกรอง

    biasInitializer

    Initializer ที่จะใช้สำหรับพารามิเตอร์ไบแอส