tensorflow::ops::LRN

Normalisation de la réponse locale.

Résumé

Le tenseur input 4D est traité comme un tableau 3D de vecteurs 1D (selon la dernière dimension), et chaque vecteur est normalisé indépendamment. Au sein d'un vecteur donné, chaque composante est divisée par la somme pondérée au carré des entrées dans un depth_radius . Plus précisément,

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 des réseaux neuronaux convolutifs profonds (NIPS 2012) .

Arguments :

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

Attributs optionnels (voir Attrs ) :

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

Retours :

• 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
)