tensorflow :: ops :: Conv3D

محاسبه کنولوشن 3-D با توجه به سنسورهای input و filter 5-D.

خلاصه

در پردازش سیگنال ، ضریب همبستگی اندازه گیری شباهت دو شکل موج به عنوان تابعی از تاخیر زمانی است که روی یکی از آنها اعمال می شود. این نیز به عنوان محصول نقطه کشویی یا محصول داخلی کشویی شناخته می شود.

Conv3D ما نوعی همبستگی متقابل را پیاده سازی می کند.

استدلال ها:

• دامنه: یک شی Sc Scope
• ورودی: شکل [batch, in_depth, in_height, in_width, in_channels] .
• فیلتر: شکل [filter_depth, filter_height, filter_width, in_channels, out_channels] . in_channels باید بین input و filter مطابقت داشته input .
• گامها: تانسور 1-D طول 5. گام پنجره کشویی برای هر بعد input . باید strides[0] = strides[4] = 1 هایی داشته باشد strides[0] = strides[4] = 1 .
• padding: نوع الگوریتم padding برای استفاده.

ویژگی های اختیاری (به Attrs مراجعه کنید):

• data_format: قالب داده داده های ورودی و خروجی. با قالب پیش فرض "NDHWC" ، داده ها به ترتیب: [دسته ای ، عمق ، ارتفاع ، عرض ، کانال های] ذخیره می شوند. متناوباً ، قالب می تواند "NCDHW" باشد ، ترتیب ذخیره اطلاعات به این صورت است: [دسته ای ، در کانال ها ، عمق عمق ، ارتفاع آن ، عرض آن].
• اتساع: تانسور 1-D طول 5. ضریب اتساع برای هر بعد input . اگر روی k> 1 تنظیم شود ، بین هر عنصر فیلتر در آن بعد سلولهای k-1 وجود دارد. ترتیب ابعاد با مقدار data_format ، برای جزئیات به بالا مراجعه کنید. اتساع در ابعاد دسته و عمق باید 1 باشد.

بازده:

• Output : تانسور خروجی.

صفات عمومی

Operation operation

::tensorflow::Output output

 Conv3D(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input filter,
  const gtl::ArraySlice< int > & strides,
  StringPiece padding
)

 Conv3D(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input filter,
  const gtl::ArraySlice< int > & strides,
  StringPiece padding,
  const Conv3D::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
)