tensorflow :: ops :: LRN

عادی سازی پاسخ محلی.

خلاصه

تانسور input 4-D به عنوان یک آرایه 3-D از بردارهای 1-D رفتار می شود (در امتداد آخرین بعد) ، و هر بردار به طور مستقل نرمال می شود. درون یک بردار داده شده ، هر م componentلفه بر اساس مجموع ورودی و depth_radius در depth_radius . با جزئیات ،

sqr_sum[a, b, c, d] =
    sum(input[a, b, c, d - depth_radius : d + depth_radius + 1] ** 2)
output = input / (bias + alpha * sqr_sum) ** beta

برای جزئیات ، به طبقه بندی Krizhevsky و دیگران ، ImageNet با شبکه های عصبی کانولوشن عمیق مراجعه کنید (NIPS 2012) .

استدلال ها:

• دامنه: یک شی Sc Scope
• ورودی: 4-D

ویژگی های اختیاری (به Attrs مراجعه کنید):

• deep_radius: 0-D. نصف عرض پنجره عادی سازی 1 بعدی.
• bias: یک جبران (معمولاً برای جلوگیری از تقسیم بر 0) مثبت است.
• alpha: یک عامل مقیاس ، معمولاً مثبت است.
• بتا: بیانگر

بازده:

• Output : تانسور خروجی.

صفات عمومی

Operation operation

::tensorflow::Output output

 LRN(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input
)

 LRN(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  const LRN::Attrs & attrs
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs Alpha(
  float x
)

Attrs Beta(
  float x
)

Attrs Bias(
  float x
)

Attrs DepthRadius(
  int64 x
)