tensorflow :: ops :: BatchToSpaceND

BatchToSpace برای سنسورهای ND از نوع T.

خلاصه

این عملیات بعد "batch" 0 را به ابعاد M + 1 شکل block_shape + [batch] ، این بلوک ها را دوباره به شبکه تعریف شده توسط ابعاد فضایی [1, ..., M] تا با همان رتبه ورودی. ابعاد فضایی این نتیجه متوسط ​​سپس به صورت اختیاری با توجه به crops برای تولید خروجی بریده می شود. این عکس از SpaceToBatch است. برای توضیح دقیق به زیر مراجعه کنید.

استدلال ها:

• دامنه: یک شی Sc Scope
• ورودی: ND با شکل input_shape = [batch] + spatial_shape + remaining_shape ، جایی که شکل_ فضایی ابعاد M دارد
• block_shape: 1-D با شکل [M] ، تمام مقادیر باید> 1 باشد.
• crop: 2-D با شکل [M, 2] ، همه مقادیر باید> = 0 باشد crops[i] = [crop_start, crop_end] مقدار برداشت را از بعد ورودی i + 1 که مربوط به بعد فضایی i . لازم است crop_start[i] + crop_end[i] <= block_shape[i] * input_shape[i + 1] .

این عملیات معادل مراحل زیر است:

1. تغییر شکل input به reshaped شکل: [block_shape [0]، ...، block_shape [M-1]، دسته ای / انگیختن (block_shape)، input_shape [1]، ...، input_shape [N-1]]
2. ابعاد مجاز reshaped برای تولید permuted شکل [batch / prod (block_shape) ، input_shape [1] ، block_shape [0] ، ... ، input_shape [M] ، block_shape [M-1] ، input_shape [M + 1] ، ... ، شکل_ ورودی [N-1]]
3. تغییر شکل permuted به تولید reshaped_permuted شکل [دسته ای / انگیختن (block_shape)، input_shape [1] * block_shape [0]، ...، input_shape [M] * block_shape [M-1]، input_shape [M + 1]، .. . ، شکل_ ورودی [N-1]]
4. شروع و انتهای ابعاد [1, ..., M] از reshaped_permuted مطابق با crops برای تولید خروجی شکل برش دهید: 0] - محصولات [0،1] ، ... ، شکل_ ورودی [M] * شکل_بلوک [M-1] - محصولات [M-1،0] - محصولات [M-1،1] ، شکل_ ورودی [M + 1] ، ... ، ورودی_شکل [N-1]]

چند نمونه:

(1) برای ورودی زیر شکل [4, 1, 1, 1] ، block_shape = [2, 2] و crops = [[0, 0], [0, 0]] :

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

تنسور خروجی دارای شکل [1, 2, 2, 1] و مقدار است:

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

(2) برای ورودی زیر شکل [4, 1, 1, 3] ، block_shape = [2, 2] و crops = [[0, 0], [0, 0]] :

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

تنسور خروجی دارای شکل [1, 2, 2, 3] و مقدار است:

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

(3) برای ورودی زیر شکل [4, 2, 2, 1] ، block_shape = [2, 2] و crops = [[0, 0], [0, 0]] :

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

تانسور خروجی دارای شکل [1, 4, 4, 1] و مقدار است:

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

(4) برای ورودی زیر شکل [8, 1, 3, 1] ، block_shape = [2, 2] و crops = [[0, 0], [2, 0]] :

x = [[[[0], [1], [3]]], [[[0], [9], [11]]],
     [[[0], [2], [4]]], [[[0], [10], [12]]],
     [[[0], [5], [7]]], [[[0], [13], [15]]],
     [[[0], [6], [8]]], [[[0], [14], [16]]]]

تنسور خروجی دارای شکل [2, 2, 4, 1] و مقدار است:

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

بازده:

• Output : تانسور خروجی.

صفات عمومی

Operation operation

::tensorflow::Output output

 BatchToSpaceND(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input block_shape,
  ::tensorflow::Input crops
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const