tensorflow :: ops :: LRN

Lokalna normalizacja odpowiedzi.

streszczenie

Tensor input 4-W jest traktowany jako trójwymiarowa tablica wektorów 1-D (wzdłuż ostatniego wymiaru), a każdy wektor jest normalizowany niezależnie. W ramach danego wektora każdy składnik jest dzielony przez ważoną, kwadratową sumę danych wejściowych w promieniu depth_radius . W szczegółach

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

Aby uzyskać szczegółowe informacje, patrz Krizhevsky i in., Klasyfikacja ImageNet z głębokimi konwolucyjnymi sieciami neuronowymi (NIPS 2012) .

Argumenty:

• zakres: obiekt Scope
• wejście: 4-D.

Atrybuty opcjonalne (patrz Attrs ):

• promień głębokości: 0-D. Połowa szerokości okna normalizacji 1-D.
• odchylenie: przesunięcie (zwykle dodatnie, aby uniknąć dzielenia przez 0).
• alfa: współczynnik skali, zwykle dodatni.
• beta: wykładnik.

Zwroty:

• Output : tensor wyjściowy.

Atrybuty publiczne

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
)