tensor akışı:: işlem:: Genişleme2D

4 boyutlu input ve 3 boyutlu filter tensörlerinin gri tonlamalı genişlemesini hesaplar.

Özet

input tensörünün şekli [batch, in_height, in_width, depth] şeklindedir ve filter tensörünün şekli [filter_height, filter_width, depth] şeklindedir, yani her giriş kanalı kendi yapılandırma fonksiyonuyla diğerlerinden bağımsız olarak işlenir. output tensörünün şekli [batch, out_height, out_width, depth] şeklindedir. Çıkış tensörünün uzaysal boyutları padding algoritmasına bağlıdır. Şu anda yalnızca varsayılan "NHWC" data_format destekliyoruz.

Ayrıntılı olarak, gri tonlamalı morfolojik 2 boyutlu genişleme maksimum toplam korelasyonudur ( conv2d ile tutarlılık sağlamak için yansıtılmamış filtreler kullanırız):

output[b, y, x, c] =
   max_{dy, dx} input[b,
                      strides[1] * y + rates[1] * dy,
                      strides[2] * x + rates[2] * dx,
                      c] +
                filter[dy, dx, c]

Maksimum havuzlama, filtrenin havuzlama çekirdek boyutuna eşit boyuta sahip olduğu ve tamamı sıfırları içerdiği özel bir durumdur.

İkilik hakkında not: filter input genişletmesi, yansıyan filter -input aşındırmasının olumsuzlanmasına eşittir.

Argümanlar:

• kapsam: Bir Kapsam nesnesi
• giriş: şekilli 4-D [batch, in_height, in_width, depth] .
• filtre: şekilli 3 boyutlu [filter_height, filter_width, depth] .
• adımlar: Giriş tensörünün her boyutu için kayan pencerenin adımı. Şunlar olmalıdır: [1, stride_height, stride_width, 1] .
• oranlar: Atröz morfolojik genişleme için giriş adımı. Şunlar olmalıdır: [1, rate_height, rate_width, 1] .
• padding: Kullanılacak dolgu algoritmasının türü.

İadeler:

• Output : Şekilli 4-D [batch, out_height, out_width, depth] .

Genel özellikler

Operation operation

::tensorflow::Output output

 Dilation2D(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input filter,
  const gtl::ArraySlice< int > & strides,
  const gtl::ArraySlice< int > & rates,
  StringPiece padding
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const