از اینکه با Google I/O تنظیم کردید متشکریم. مشاهده همه جلسات در صورت تقاضا تماشا کنید

tensorflow :: ops :: DepthToSpace

#include <array_ops.h>

DepthToSpace برای سنسورهای نوع T

خلاصه

داده ها را از عمق به بلوک های داده های مکانی مرتب می کند. این تحول معکوس SpaceToDepth است. به طور دقیق تر ، این op یک کپی از سنسور ورودی را خارج می کند که در آن مقادیر از بعد depth در بلوک های مکانی به ابعاد height و width شوند. block_size بلوک attr اندازه بلوک ورودی و نحوه انتقال داده را نشان می دهد.

  • تکه های داده از اندازه block_size * block_size از عمق در بلوک های غیر همپوشانی اندازه block_size x block_size
  • پهنای تانسور خروجی input_depth * block_size ، در حالی که ارتفاع input_height * block_size .
  • مختصات Y ، X در هر بلوک از تصویر خروجی توسط م componentلفه مرتبه بالای شاخص کانال ورودی تعیین می شود.
  • عمق block_size * block_size ورودی باید بر اساس block_size * block_size قابل تقسیم باشد.

data_format طرح data_format ورودی و خروجی را با گزینه های زیر مشخص می کند: "NHWC": [ batch, height, width, channels ] "NCHW": [ batch, channels, height, width ] "NCHW_VECT_C": qint8 [ batch, channels / 4, height, width, 4 ]

مفید است که عملکرد را به عنوان تبدیل یک تانسور 6-D در نظر بگیرید. به عنوان مثال برای data_format = NHWC ، هر عنصر در سنسور ورودی را می توان از طریق 6 مختصات تعیین کرد ، با کاهش اهمیت طرح حافظه به ترتیب: n ، iY ، iX ، bY ، bX ، oC (جایی که n = شاخص دسته ، iX ، iY به معنی X است) یا مختصات Y در تصویر ورودی ، bX ، bY به معنی مختصات درون بلوک خروجی است ، oC به معنی کانالهای خروجی است). خروجی ورودی به طرح زیر است: n، iY، bY، iX، bX، oC

این عملیات برای تغییر اندازه فعالیتهای بین پیچش (اما نگه داشتن همه داده ها) ، به عنوان مثال به جای تجمیع ، مفید است. همچنین برای آموزش مدلهای کاملا کانولوشن مفید است.

به عنوان مثال ، با توجه به ورودی شکل [1, 1, 1, 4] ، data_format = "NHWC" و block_size = 2:

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

  

This operation will output a tensor of shape [1, 2, 2, 1]:

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

در اینجا ، ورودی دارای یک دسته 1 است و هر عنصر دسته ای شکل [1, 1, 4] ، خروجی مربوطه دارای عناصر 2x2 خواهد بود و عمق 1 کانال خواهد داشت (1 = 4 / (block_size * block_size) ) شکل عنصر خروجی [2, 2, 1] .

برای یک سنسور ورودی با عمق بیشتر ، در اینجا شکل [1, 1, 1, 12] ، به عنوان مثال

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

این عملیات ، برای اندازه بلوک 2 ، تانسور شکل زیر را برمی گرداند [1, 2, 2, 3]

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

  

Similarly, for the following input of shape [1 2 2 4], and a block size of 2:

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

اپراتور تانسور شکل زیر را برمی گرداند [1 4 4 1] :

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

  

Arguments:

  • scope: A Scope object
  • block_size: The size of the spatial block, same as in Space2Depth.

Returns:

Constructors and Destructors

DepthToSpace(const ::tensorflow::Scope & scope, ::tensorflow::Input input, int64 block_size)
DepthToSpace(const ::tensorflow::Scope & scope, ::tensorflow::Input input, int64 block_size, const DepthToSpace::Attrs & attrs)

Public attributes

operation
output

Public functions

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

Public static functions

DataFormat(StringPiece x)

Structs

tensorflow::ops::DepthToSpace::Attrs

Optional attribute setters for DepthToSpace.

Public attributes

operation

Operation operation

خروجی

::tensorflow::Output output

کارکردهای عمومی

DepthToSpace

 DepthToSpace(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  int64 block_size
)

DepthToSpace

 DepthToSpace(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  int64 block_size,
  const DepthToSpace::Attrs & attrs
)

گره

::tensorflow::Node * node() const 

عملگر :: tensorflow :: ورودی

 operator::tensorflow::Input() const 

عملگر :: tensorflow :: خروجی

 operator::tensorflow::Output() const 

توابع استاتیک عمومی

قالب داده

Attrs DataFormat(
  StringPiece x
)