เทนเซอร์โฟลว์:: ออปส์:: LRN

การปรับค่าการตอบสนองในระดับท้องถิ่นให้เป็นมาตรฐาน

สรุป

เทนเซอร์ input 4 มิติจะถูกมองว่าเป็นอาร์เรย์ 3 มิติของเวกเตอร์ 1 มิติ (ตามมิติสุดท้าย) และแต่ละเวกเตอร์จะถูกทำให้เป็นมาตรฐานอย่างอิสระ ภายในเวกเตอร์ที่กำหนด แต่ละองค์ประกอบจะถูกหารด้วยผลรวมกำลังสองแบบถ่วงน้ำหนักของอินพุตภายใน depth_radius โดยละเอียดแล้ว

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

สำหรับรายละเอียดเพิ่มเติม โปรดดู Krizhevsky et al., ImageNet classification with deep convolutional neural networks (NIPS 2012)

ข้อโต้แย้ง:

• ขอบเขต: วัตถุ ขอบเขต
• อินพุต: 4 มิติ

คุณลักษณะเสริม (ดูที่ Attrs ):

• depth_radius: 0 มิติ ครึ่งความกว้างของหน้าต่างการปรับค่ามาตรฐาน 1 มิติ
• ไบแอส: ค่าชดเชย (โดยปกติจะเป็นค่าบวกเพื่อหลีกเลี่ยงการหารด้วย 0)
• แอลฟา: ตัวคูณมาตราส่วน ซึ่งโดยปกติจะเป็นค่าบวก
• เบต้า: เลขชี้กำลัง

การส่งคืนสินค้า:

• Output : เทนเซอร์เอาต์พุต

คุณลักษณะสาธารณะ

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
)