flux tensoriel : : opérations : : LRN

Normalisation de la réponse locale.

Résumé

Le tenseur input 4D est traité comme un tableau 3D de vecteurs 1D (le long de la dernière dimension) et chaque vecteur est normalisé indépendamment. Dans un vecteur donné, chaque composant est divisé par la somme carrée pondérée des entrées dans depth_radius . En détail,

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

Pour plus de détails, voir Krizhevsky et al., Classification ImageNet avec réseaux de neurones convolutifs profonds (NIPS 2012) .

Arguments:

• scope : un objet Scope
• entrée : 4-D.

Attributs facultatifs (voir Attrs ) :

• profondeur_radius : 0-D. Demi-largeur de la fenêtre de normalisation 1D.
• biais : un décalage (généralement positif pour éviter de diviser par 0).
• alpha : Un facteur d'échelle, généralement positif.
• bêta : un exposant.

Retour:

• Output : Le tenseur de sortie.

Attributs publics

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
)