tensorflow:: عملیات:: LRN

نرمال‌سازی پاسخ محلی

خلاصه

تانسور input چهاربعدی به عنوان یک آرایه سه‌بعدی از بردارهای یک‌بعدی (در امتداد آخرین بُعد) در نظر گرفته می‌شود و هر بردار به طور مستقل نرمال‌سازی می‌شود. در یک بردار مشخص، هر مؤلفه بر مجموع مربعات وزن‌دار ورودی‌ها در depth_radius تقسیم می‌شود. به طور مفصل،

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 بیشتر، به Krizhevsky و همکاران، طبقه‌بندی ImageNet با شبکه‌های عصبی کانولوشنی عمیق (NIPS 2012) مراجعه کنید.

استدلال‌ها:

• دامنه: یک شیء دامنه
• ورودی: چهاربعدی.

ویژگی‌های اختیاری (به Attrs مراجعه کنید):

• depth_radius: 0-D. نصف عرض پنجره نرمال‌سازی یک‌بعدی.
• بایاس: یک انحراف (معمولاً مثبت برای جلوگیری از تقسیم بر ۰).
• آلفا: یک ضریب مقیاس، معمولاً مثبت.
• بتا: یک توان.

بازده:

• Output : تانسور خروجی.

ویژگی‌های 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
)