BatchToSpace dla tensorów ND typu T.
Ta operacja przekształca wymiar „wsadowy” 0 na wymiary `M + 1` kształtu `kształt_bloku + [partia]`, przeplata te bloki z powrotem w siatkę zdefiniowaną przez wymiary przestrzenne `[1, ..., M]`, aby uzyskać wynik o tej samej randze co dane wejściowe. Wymiary przestrzenne tego wyniku pośredniego są następnie opcjonalnie przycinane zgodnie z „uprawami” w celu uzyskania wyniku. To jest odwrotność SpaceToBatch. Dokładny opis znajdziesz poniżej.
Metody publiczne
Wyjście <T> | jako wyjście () Zwraca symboliczny uchwyt tensora. |
statyczny <T, U rozszerza liczbę, V rozszerza liczbę> BatchToSpaceNd <T> | |
Wyjście <T> | wyjście () |
Metody dziedziczone
Metody publiczne
publiczne wyjście <T> asOutput ()
Zwraca symboliczny uchwyt tensora.
Dane wejściowe operacji TensorFlow są wynikami innej operacji TensorFlow. Ta metoda służy do uzyskania symbolicznego uchwytu reprezentującego obliczenia danych wejściowych.
public static BatchToSpaceNd <T> create (zakres zakresu , argument wejściowy <T>, argument <U> blockShape, przycięcie argumentu <V>)
Metoda fabryczna służąca do tworzenia klasy opakowującej nową operację BatchToSpaceNd.
Parametry
zakres | aktualny zakres |
---|---|
wejście | ND z kształtem „input_shape = [partia] + przestrzenny_kształt + pozostały_kształt”, gdzie przestrzenny_kształt ma M wymiarów. |
kształt bloku | 1-D z kształtem „[M]”, wszystkie wartości muszą wynosić >= 1. |
uprawy | 2-D z kształtem „[M, 2]”, wszystkie wartości muszą wynosić >= 0. „crops[i] = [crop_start, upraw_end]” określa wielkość przycięcia z wymiaru wejściowego „i + 1”, co odpowiada wymiar przestrzenny „i”. Wymagane jest, aby `crop_start[i] + upraw_end[i] <= block_shape[i] * input_shape[i + 1]`. Ta operacja jest równoważna następującym krokom: 1. Zmień kształt „input” na „przekształcony” kształtu: [block_shape[0], ..., block_shape[M-1], wsad / prod(block_shape), input_shape[1], ..., input_shape[N- 1]] 2. Zmień wymiary „przekształconego” w celu uzyskania „permutowanego” kształtu [partia / prod(block_shape), input_shape[1], block_shape[0], ..., input_shape[M], block_shape[M-1], kształt_wejściowy[M+1], ..., kształt_wejściowy[N-1]] 3. Zmień kształt „permutowany”, aby uzyskać „przekształcony_permutowany” kształtu [partia / prod(block_shape), input_shape[1] * block_shape[0], ..., input_shape[M] * block_shape[M-1], kształt_wejściowy[M+1], ..., kształt_wejściowy[N-1]] 4. Przytnij początek i koniec wymiarów `[1, ..., M]` z `re Shaped_permuted` zgodnie z `crops`, aby uzyskać wynikowy kształt: [partia / prod(block_shape), input_shape[1] * block_shape[0] - uprawy[0,0] - uprawy[0,1], ..., input_shape[M] * block_shape[M-1] - uprawy[M-1,0] - uprawy [M-1,1], kształt_wejściowy[M+1], ..., kształt_wejściowy[N-1]] Kilka przykładów: (1) Dla następujących danych wejściowych kształtu `[4, 1, 1, 1]`, `block_shape = [2, 2]` i `crops = [[0, 0], [0, 0]]`: Tensor wyjściowy ma kształt „[1, 2, 2, 1]” i wartość: (2) Dla następujących danych wejściowych kształtu `[4, 1, 1, 3]`, `block_shape = [2, 2]` i `crops = [[0, 0], [0, 0]]`: Tensor wyjściowy ma kształt „[1, 2, 2, 3]” i wartość: (3) Dla następujących danych wejściowych kształtu `[4, 2, 2, 1]`, `block_shape = [2, 2]` i `crops = [[0, 0], [0, 0]]`: Tensor wyjściowy ma kształt „[1, 4, 4, 1]” i wartość: (4) Dla następujących danych wejściowych kształtu `[8, 1, 3, 1]`, `block_shape = [2, 2]` i `crops = [[0, 0], [2, 0]]`: Tensor wyjściowy ma kształt „[2, 2, 4, 1]” i wartość:
|
Powroty
- nowa instancja BatchToSpaceNd