tensorflow :: ops :: اتساع 2D

محاسبه اتساع سیاه و سفید از 4-D input و 3-D filter تانسورها.

خلاصه

[batch, in_height, in_width, depth] input دارای شکل [batch, in_height, in_width, depth] و تنسور filter دارای شکل [filter_height, filter_width, depth] ، یعنی هر کانال ورودی مستقل از بقیه با عملکرد ساختاری خاص خود پردازش می شود. تنسور output دارای شکل [batch, out_height, out_width, depth] . ابعاد مکانی تانسور خروجی به الگوریتم padding بستگی دارد. ما در حال حاضر فقط از فرمت داده_پیش فرض "NHWC" data_format .

به طور جزئی ، اتساع مورفولوژیکی 2-D در مقیاس خاکستری همبستگی حداکثر (برای سازگاری با conv2d ، ما از فیلترهای غیرمجاز استفاده می کنیم):

output[b, y, x, c] =
   max_{dy, dx} input[b,
                      strides[1] * y + rates[1] * dy,
                      strides[2] * x + rates[2] * dx,
                      c] +
                filter[dy, dx, c]

Max-pooling حالت خاصی است که فیلتر اندازه آن برابر با اندازه هسته استخر باشد و شامل همه صفرها باشد.

توجه به دوگانگی: اتساع input توسط filter برابر است با نفی فرسایش- -input توسط filter منعکس شده.

استدلال ها:

• دامنه: یک شی Sc Scope
• ورودی: 4-D با شکل [batch, in_height, in_width, depth] .
• فیلتر: 3-D با شکل [filter_height, filter_width, depth] .
• strides: گام پنجره کشویی برای هر بعد از سنسور ورودی. باید باشد: [1, stride_height, stride_width, 1] .
• نرخ: گام ورودی برای اتساع مورفولوژیکی آتروس - سایپرز ، باشگاه دانش باید باشد: [1, rate_height, rate_width, 1] .
• padding: نوع الگوریتم padding برای استفاده.

بازده:

• Output : 4-D با شکل [batch, out_height, out_width, depth] .

صفات عمومی

Operation operation

::tensorflow::Output output

 Dilation2D(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input filter,
  const gtl::ArraySlice< int > & strides,
  const gtl::ArraySlice< int > & rates,
  StringPiece padding
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const