tensorflow :: ops :: Dönş2D

4-D input ve filter tensörleri verilen 2-D evrişimi hesaplar.

Özet

Şekil [batch, in_height, in_width, in_channels] giriş tensörü ve filtre / çekirdek tensörü [filter_height, filter_width, in_channels, out_channels] , bu işlem aşağıdakileri gerçekleştirir:

1. Filtreyi şekil [filter_height * filter_width * in_channels, output_channels] ile 2 boyutlu bir matrise [filter_height * filter_width * in_channels, output_channels] .
2. Sanal bir şekil tensörü [batch, out_height, out_width, filter_height * filter_width * in_channels] oluşturmak için giriş tensöründen görüntü yamalarını [batch, out_height, out_width, filter_height * filter_width * in_channels] .
3. Her yama için filtre matrisini ve görüntü yaması vektörünü sağa doğru çarpar.

Ayrıntılı olarak, varsayılan NHWC formatı

output[b, i, j, k] =
    sum_{di, dj, q} input[b, strides[1] * i + di, strides[2] * j + dj, q] *
                    filter[di, dj, q, k]

strides[0] = strides[3] = 1 . Aynı yatay ve tepe adımlarının en yaygın durumu için strides = [1, stride, stride, 1] .

Argümanlar:

• kapsam: Bir Scope nesnesi
• giriş: 4-D tensör. Boyut sırası data_format değerine göre yorumlanır, ayrıntılar için aşağıya bakın.
• filtre: 4 boyutlu bir şekil tensörü [filter_height, filter_width, in_channels, out_channels]
• adımlar: 1-D uzunluk tensörü 4. Her input boyutu için kayan pencerenin adım sayısı. Boyut sırası data_format değerine göre data_format , ayrıntılar için aşağıya bakın.
• padding: Kullanılacak dolgu algoritmasının türü.

İsteğe bağlı özellikler (bkz. Attrs ):

• explicit_paddings: Eğer padding "EXPLICIT" , açık dolgu miktarlarının listesi. explicit_paddings[2 * i] . Boyut için, boyuttan önce ve sonra eklenen dolgu miktarı sırasıyla explicit_paddings[2 * i] ve explicit_paddings[2 * i + 1] . padding "EXPLICIT" değilse, explicit_paddings boş olmalıdır.
• data_format: Giriş ve çıkış verilerinin veri formatını belirtin. Varsayılan format "NHWC" ile veriler şu sırayla saklanır: [parti, yükseklik, genişlik, kanallar]. Alternatif olarak, format "NCHW" olabilir, veri saklama sırası: [parti, kanallar, yükseklik, genişlik].
• genişlemeler: 1-D uzunluk tensörü 4. Her input boyutu için genişleme faktörü. K> 1 olarak ayarlanırsa, o boyuttaki her filtre öğesi arasında k-1 atlanan hücreler olacaktır. Boyut sırası data_format değerine göre data_format , ayrıntılar için yukarıya bakın. Parti ve derinlik boyutlarındaki genişlemeler 1 olmalıdır.

İadeler:

• Output : 4-D tensör. Boyut sırası data_format değerine göre data_format , ayrıntılar için aşağıya bakın.

Genel özellikler

Operation operation

::tensorflow::Output output

 Conv2D(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input filter,
  const gtl::ArraySlice< int > & strides,
  StringPiece padding
)

 Conv2D(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input filter,
  const gtl::ArraySlice< int > & strides,
  StringPiece padding,
  const Conv2D::Attrs & attrs
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs DataFormat(
  StringPiece x
)

Attrs Dilations(
  const gtl::ArraySlice< int > & x
)

Attrs ExplicitPaddings(
  const gtl::ArraySlice< int > & x
)

Attrs UseCudnnOnGpu(
  bool x
)