tensorflow:: عملیات:: MirrorPad

یک تانسور را با مقادیر آینه‌ای پدگذاری می‌کند.

خلاصه

این عملیات، input را با مقادیر آینه‌ای مطابق با paddings که شما مشخص می‌کنید، paddings می‌کند. paddings یک تانسور عدد صحیح با شکل [n, 2] است که در آن n رتبه input است. برای هر بُعد D از input ، paddings[D, 0] نشان می‌دهد که چند مقدار باید قبل از محتوای input در آن بُعد اضافه شود، و paddings[D, 1] نشان می‌دهد که چند مقدار باید بعد از محتوای input در آن بُعد اضافه شود. هر دو paddings[D, 0] و paddings[D, 1] نباید بزرگتر از input.dim_size(D) (یا input.dim_size(D) - 1 ) باشند اگر copy_border درست باشد (اگر نادرست باشد، به ترتیب).

اندازه‌ی پر شده‌ی هر بُعد D از خروجی برابر است با:

paddings(D, 0) + input.dim_size(D) + paddings(D, 1)

برای مثال:

# 't' is [[1, 2, 3], [4, 5, 6]].
# 'paddings' is [[1, 1]], [2, 2]].
# 'mode' is SYMMETRIC.
# rank of 't' is 2.
pad(t, paddings) ==> [[2, 1, 1, 2, 3, 3, 2]
                      [2, 1, 1, 2, 3, 3, 2]
                      [5, 4, 4, 5, 6, 6, 5]
                      [5, 4, 4, 5, 6, 6, 5]]

استدلال‌ها:

• دامنه: یک شیء دامنه
• ورودی: تانسور ورودی که باید لایه‌گذاری شود.
• paddings: یک ماتریس دو ستونی که اندازه padding را مشخص می‌کند. تعداد ردیف‌ها باید با رتبه input برابر باشد.
• حالت: یا REFLECT یا SYMMETRIC . در حالت Reflect، نواحی پدگذاری شده شامل حاشیه‌ها نمی‌شوند، در حالی که در حالت متقارن، نواحی پدگذاری شده شامل حاشیه‌ها می‌شوند. برای مثال، اگر input [1, 2, 3] و paddings [0, 2] باشد، خروجی در حالت Reflect برابر با [1, 2, 3, 2, 1] و در حالت متقارن برابر با [1, 2, 3, 3, 2] خواهد بود.

بازده:

• Output : تانسور لایه‌بندی شده.

ویژگی‌های عمومی

Operation operation

::tensorflow::Output output

 MirrorPad(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input paddings,
  StringPiece mode
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const