tensorflow :: ops :: Kesirli MaxHavuzu

Girişte kesirli maksimum havuzlama gerçekleştirir.

Özet

Kesirli maks. Havuzlama, normal maks. Havuzlamadan biraz farklıdır. Normal maks. Havuzlamada, kümenin daha küçük N x N alt bölümlerinin (genellikle 2x2) maksimum değerini alarak bir giriş kümesini küçültün ve kümeyi, N'nin bir tamsayı olduğu bir N faktörü kadar azaltmaya çalışın. Kesirli maksimum havuzlama, "kesirli" kelimesinden bekleyebileceğiniz gibi, genel indirgeme oranının N bir tam sayı olması gerekmediği anlamına gelir.

Havuz bölgelerinin boyutları rastgele oluşturulur, ancak oldukça tekdüzedir. Örneğin, yükseklik boyutuna ve havuz sınırları olacak satırlar listesindeki kısıtlamalara bakalım.

İlk önce aşağıdakileri tanımlıyoruz:

1. input_row_length: girdi kümesindeki satır sayısı
2. output_row_length: girdiden daha küçük olacaktır
3. alpha = input_row_length / output_row_length: bizim azaltma oranımız
4. K = kat (alfa)
5. row_pooling_sequence: bu, havuz sınırı satırlarının sonuç listesidir

Ardından, row_pooling_sequence şunları sağlamalıdır:

1. a [0] = 0: dizinin ilk değeri 0'dır
2. a [bitiş] = input_row_length: dizinin son değeri boyuttur
3. K <= (a [i + 1] - a [i]) <= K + 1: tüm aralıklar K veya K + 1 boyutudur
4. uzunluk (row_pooling_sequence) = output_row_length + 1

Kesirli maksimum havuzlama hakkında daha fazla ayrıntı için bu makaleye bakın: Benjamin Graham, Kesirli Maks- Havuz

Argümanlar:

• kapsam: Bir Scope nesnesi
• değer: 4 boyutlu [batch, height, width, channels] .
• pooling_ratio: her boyut için oranı havuzu oluşturma value , şu anda sadece satır ve sütun boyutu destekler ve> = 1.0 olması gerekir. Örneğin, geçerli bir havuzlama oranı [1.0, 1.44, 1.73, 1.0] gibi görünür. Toplu işlem ve kanal boyutlarında havuzlamaya izin vermediğimiz için ilk ve son öğeler 1.0 olmalıdır. 1,44 ve 1,73, sırasıyla yükseklik ve genişlik boyutlarında havuzlama oranıdır.

İsteğe bağlı özellikler (bkz. Attrs ):

• pseudo_random: True olarak ayarlandığında, havuzlama sırasını sözde rasgele, aksi takdirde rasgele bir şekilde oluşturur. Sözde rasgele ve rasgele arasındaki fark için Benjamin Graham, Kesirli Maks-Havuzlama kağıdına bakın.
• örtüşen: True olarak ayarlandığında, havuzlama yapılırken, bitişik havuzlama hücrelerinin sınırındaki değerlerin her iki hücre tarafından da kullanıldığı anlamına gelir. Örneğin:

index 0 1 2 3 4

value 20 5 16 3 7

Havuzlama dizisi [0, 2, 4] ise, dizin 2'de 16 iki kez kullanılacaktır. Kesirli maksimum havuzlama için sonuç [20, 16] olacaktır.

• deterministik: True olarak ayarlandığında, hesaplama grafiğindeki FractionalMaxPool düğümü üzerinde yineleme yapılırken sabit bir havuzlama bölgesi kullanılır. Genellikle birim testinde FractionalMaxPool'u deterministik yapmak için kullanılır.
• seed: Çekirdek veya tohum2 sıfırdan farklı olacak şekilde ayarlanmışsa, rastgele sayı oluşturucu verilen tohum tarafından tohumlanır. Aksi takdirde, rastgele bir tohumla tohumlanır.
• seed2: Tohum çarpışmasını önlemek için ikinci bir tohum.

İadeler:

• Output çıktısı: Kesirli maks. Havuzlamadan sonra çıktı tensörü.
• Row_pooling_sequence Output : gradyanı hesaplamak için gereken satır havuzlama dizisi.
• Output col_pooling_sequence: kolon havuzu dizisi hesaplamak gradyanı gerekiyordu.

Genel özellikler

::tensorflow::Output col_pooling_sequence

Operation operation

::tensorflow::Output output

::tensorflow::Output row_pooling_sequence

 FractionalMaxPool(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input value,
  const gtl::ArraySlice< float > & pooling_ratio
)

 FractionalMaxPool(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input value,
  const gtl::ArraySlice< float > & pooling_ratio,
  const FractionalMaxPool::Attrs & attrs
)

Attrs Deterministic(
  bool x
)

Attrs Overlapping(
  bool x
)

Attrs PseudoRandom(
  bool x
)

Attrs Seed(
  int64 x
)

Attrs Seed2(
  int64 x
)