tensorflow :: ops :: Conv2D

Oblicza splot 2-D przy input 4-D i tensorach filter .

streszczenie

Mając wejściowy tensor kształtu [batch, in_height, in_width, in_channels] i filtr / tensor jądra kształtu [filter_height, filter_width, in_channels, out_channels] , ta [filter_height, filter_width, in_channels, out_channels] wykonuje następujące czynności:

1. Spłaszcza filtr do macierzy 2-D o kształcie [filter_height * filter_width * in_channels, output_channels] .
2. Wyodrębnia łaty obrazu z wejściowego tensora, aby utworzyć wirtualny tensor kształtu [batch, out_height, out_width, filter_height * filter_width * in_channels] .
3. Dla każdej wstawki mnoży w prawo macierz filtra i wektor wstawki obrazu.

W szczegółach, z domyślnym formatem NHWC,

output[b, i, j, k] =
    sum_{di, dj, q} input[b, strides[1] * i + di, strides[2] * j + dj, q] *
                    filter[di, dj, q, k]

Musi mieć strides[0] = strides[3] = 1 . W najczęstszym przypadku tych samych pasków poziomych i wierzchołków strides = [1, stride, stride, 1] .

Argumenty:

• zakres: obiekt Scope
• wejście: tensor 4-D. Kolejność wymiarów jest interpretowana zgodnie z wartością data_format , patrz poniżej, aby uzyskać szczegółowe informacje.
• filtr: tensor kształtu 4-D [filter_height, filter_width, in_channels, out_channels]
• kroki: 1-D tensor o długości 4. Skok okna przesuwnego dla każdego wymiaru input . Kolejność wymiarów jest określana przez wartość data_format , patrz poniżej, aby uzyskać szczegółowe informacje.
• padding: typ algorytmu dopełniania, który ma być używany.

Atrybuty opcjonalne (patrz Attrs ):

• explicite_paddings: jeśli padding to "EXPLICIT" , lista jawnych kwot dopełnienia. W przypadku i-tego wymiaru ilość wypełnienia wstawionego przed i po wymiarze wynosi odpowiednio: explicit_paddings[2 * i] i explicit_paddings[2 * i + 1] . Jeśli padding nie jest "EXPLICIT" , "EXPLICIT" explicit_paddings muszą być puste.
• data_format: Określ format danych wejściowych i wyjściowych. W domyślnym formacie „NHWC” dane są przechowywane w kolejności: [partia, wysokość, szerokość, kanały]. Alternatywnie, format mógłby być „NCHW”, kolejność przechowywania danych: [partia, kanały, wysokość, szerokość].
• dylatacje: 1-D tensor długości 4. Współczynnik dylatacji dla każdego wymiaru input . Jeśli ustawiono na k> 1, między każdym elementem filtrującym w tym wymiarze będzie k-1 pominiętych komórek. Kolejność wymiarów jest określana na podstawie wartości data_format , patrz powyżej, aby uzyskać szczegółowe informacje. Dylatacje w wymiarze partii i głębokości muszą wynosić 1.

Zwroty:

• Output : tensor 4-D. Kolejność wymiarów jest określana przez wartość data_format , patrz poniżej, aby uzyskać szczegółowe informacje.

Atrybuty publiczne

Operation operation

::tensorflow::Output output

 Conv2D(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input filter,
  const gtl::ArraySlice< int > & strides,
  StringPiece padding
)

 Conv2D(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input filter,
  const gtl::ArraySlice< int > & strides,
  StringPiece padding,
  const Conv2D::Attrs & attrs
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs DataFormat(
  StringPiece x
)

Attrs Dilations(
  const gtl::ArraySlice< int > & x
)

Attrs ExplicitPaddings(
  const gtl::ArraySlice< int > & x
)

Attrs UseCudnnOnGpu(
  bool x
)