เทนเซอร์โฟลว์ :: ops :: Conv2D

#include <nn_ops.h>

คำนวณคอนโวลูชั่น 2 มิติโดยให้ input 4 มิติและเทนเซอร์ filter

สรุป

ด้วยตัวกรองอินพุตที่มีรูปร่าง [batch, in_height, in_width, in_channels] และตัวกรอง / เคอร์เนลเทนเซอร์ของรูปร่าง [filter_height, filter_width, in_channels, out_channels] การดำเนินการนี้จะดำเนินการดังนี้:

  1. แผ่ตัวกรองเป็นเมทริกซ์ 2 มิติที่มีรูปร่าง [filter_height * filter_width * in_channels, output_channels]
  2. สารสกัดจากแพทช์ภาพจากเมตริกซ์การป้อนข้อมูลในรูปแบบเมตริกซ์เสมือนของรูปร่าง [batch, out_height, out_width, filter_height * filter_width * in_channels]
  3. สำหรับแต่ละแพตช์ให้คูณเมทริกซ์ตัวกรองและเวกเตอร์แพทช์รูปภาพทางขวา

โดยละเอียดด้วยรูปแบบ NHWC เริ่มต้นคือ

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]

ต้องมี strides[0] = strides[3] = 1 สำหรับกรณีที่พบบ่อยที่สุดของการก้าวในแนวนอนและจุดยอดเดียวกันให้ strides = [1, stride, stride, 1]

อาร์กิวเมนต์:

  • ขอบเขต: วัตถุ ขอบเขต
  • อินพุต: เทนเซอร์ 4 มิติ ลำดับมิติถูกตีความตามค่าของ data_format โปรดดูรายละเอียดด้านล่าง
  • ตัวกรอง: เทนเซอร์ของรูปร่าง 4 มิติ [filter_height, filter_width, in_channels, out_channels]
  • ก้าว: ความยาว 1-D ความยาว 4 ก้าวของหน้าต่างบานเลื่อนสำหรับแต่ละมิติของการ input ลำดับมิติถูกกำหนดโดยค่าของ data_format โปรดดูรายละเอียดด้านล่าง
  • padding: ประเภทของอัลกอริทึมการขยายที่จะใช้

แอตทริบิวต์เสริม (ดู Attrs ):

  • Explicit_paddings: หาก padding เป็น "EXPLICIT" รายการจำนวนเงินที่เพิ่มขึ้นอย่างชัดเจน สำหรับมิติที่ ith จำนวนช่องว่างที่แทรกก่อนและหลังมิติคือ explicit_paddings[2 * i] และ explicit_paddings[2 * i + 1] ตามลำดับ หาก padding ไม่ใช่ "EXPLICIT" explicit_paddings ต้องว่างเปล่า
  • data_format: ระบุรูปแบบข้อมูลของข้อมูลอินพุตและเอาต์พุต ด้วยรูปแบบเริ่มต้น "NHWC" ข้อมูลจะถูกจัดเก็บตามลำดับ: [แบทช์ความสูงความกว้างช่อง] อีกวิธีหนึ่งรูปแบบอาจเป็น "NCHW" ลำดับการจัดเก็บข้อมูลของ: [แบทช์ช่องความสูงความกว้าง]
  • การขยาย: 1-D เทนเซอร์ของความยาว 4. ปัจจัยการขยายสำหรับแต่ละมิติของ input หากตั้งค่าเป็น k> 1 จะมีเซลล์ที่ข้าม k-1 ระหว่างองค์ประกอบตัวกรองแต่ละรายการในมิติข้อมูลนั้น ลำดับมิติถูกกำหนดโดยค่าของ data_format ดูรายละเอียดด้านบน การขยายตัวในชุดและขนาดความลึกต้องเป็น 1

ผลตอบแทน:

  • Output : เทนเซอร์ 4 มิติ ลำดับมิติถูกกำหนดโดยค่าของ data_format โปรดดูรายละเอียดด้านล่าง

ผู้สร้างและผู้ทำลาย

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)

คุณลักษณะสาธารณะ

operation
output

หน้าที่สาธารณะ

node () const
::tensorflow::Node *
operator::tensorflow::Input () const
operator::tensorflow::Output () const

ฟังก์ชั่นคงที่สาธารณะ

DataFormat (StringPiece x)
Dilations (const gtl::ArraySlice< int > & x)
ExplicitPaddings (const gtl::ArraySlice< int > & x)
UseCudnnOnGpu (bool x)

โครงสร้าง

tensorflow :: ops :: Conv2D :: Attrs

ตัวตั้งค่าแอตทริบิวต์เสริมสำหรับ Conv2D

คุณลักษณะสาธารณะ

การดำเนินการ

Operation operation

เอาท์พุท

::tensorflow::Output output

หน้าที่สาธารณะ

Conv2D

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

Conv2D

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

โหนด

::tensorflow::Node * node() const 

ตัวดำเนินการ :: tensorflow :: อินพุต

 operator::tensorflow::Input() const 

ตัวดำเนินการ :: tensorflow :: เอาท์พุท

 operator::tensorflow::Output() const 

ฟังก์ชั่นคงที่สาธารณะ

DataFormat

Attrs DataFormat(
  StringPiece x
)

การขยายตัว

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

ExplicitPaddings

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

UseCudnnOnGpu

Attrs UseCudnnOnGpu(
  bool x
)