Gunakan CudnnOnGpu

Attrs UseCudnnOnGpu(
  bool x
)

aliran tensor:: operasi:: Konv2D

Menghitung konvolusi 2-D dengan input 4-D dan tensor filter .

Ringkasan

Dengan adanya tensor masukan berbentuk [batch, in_height, in_width, in_channels] dan tensor filter/kernel berbentuk [filter_height, filter_width, in_channels, out_channels] , operasi ini melakukan hal berikut:

1. Meratakan filter ke matriks 2D dengan bentuk [filter_height * filter_width * in_channels, output_channels] .
2. Mengekstrak patch gambar dari tensor masukan untuk membentuk tensor virtual berbentuk [batch, out_height, out_width, filter_height * filter_width * in_channels] .
3. Untuk setiap patch, gandakan matriks filter dan vektor patch gambar ke kanan.

Secara detail, dengan format NHWC default,

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]

Harus memiliki strides[0] = strides[3] = 1 . Untuk kasus paling umum dari langkah horizontal dan simpul yang sama, strides = [1, stride, stride, 1] .

Argumen:

• ruang lingkup: Objek Lingkup
• masukan: Tensor 4-D. Urutan dimensi diinterpretasikan berdasarkan nilai data_format , lihat di bawah untuk detailnya.
• filter: Tensor bentuk 4-D [filter_height, filter_width, in_channels, out_channels]
• langkah: tensor 1-D dengan panjang 4. Langkah jendela geser untuk setiap dimensi input . Urutan dimensi ditentukan oleh nilai data_format , lihat di bawah untuk detailnya.
• padding: Jenis algoritma padding yang akan digunakan.

Atribut opsional (lihat Attrs ):

• eksplisit_paddings: Jika padding adalah "EXPLICIT" , daftar jumlah padding eksplisit. Untuk dimensi ke-i, jumlah padding yang disisipkan sebelum dan sesudah dimensi masing-masing adalah explicit_paddings[2 * i] dan explicit_paddings[2 * i + 1] . Jika padding bukan "EXPLICIT" , explicit_paddings harus kosong.
• data_format: Menentukan format data input dan output data. Dengan format default "NHWC", data disimpan dalam urutan: [batch, tinggi, lebar, saluran]. Alternatifnya, formatnya bisa berupa "NCHW", urutan penyimpanan data: [batch, saluran, tinggi, lebar].
• dilatasi: tensor 1-D dengan panjang 4. Faktor dilatasi untuk setiap dimensi input . Jika diatur ke k > 1, akan ada k-1 sel yang dilewati di antara setiap elemen filter pada dimensi tersebut. Urutan dimensi ditentukan oleh nilai data_format , lihat di atas untuk detailnya. Pelebaran dalam dimensi batch dan kedalaman harus 1.

Pengembalian:

• Output : Tensor 4-D. Urutan dimensi ditentukan oleh nilai data_format , lihat di bawah untuk detailnya.

Atribut publik

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
)