Mengisi tensor dengan nilai cermin.
Operasi ini mengisi `input` dengan nilai yang dicerminkan sesuai dengan `paddings` yang Anda tentukan. `paddings` adalah tensor bilangan bulat dengan bentuk `[n, 2]`, dengan n adalah pangkat `input`. Untuk setiap dimensi D dari `input`, `paddings[D, 0]` menunjukkan berapa banyak nilai yang akan ditambahkan sebelum konten `input` dalam dimensi tersebut, dan `paddings[D, 1]` menunjukkan berapa banyak nilai yang akan ditambahkan setelahnya isi `input` dalam dimensi itu. Baik `paddings[D, 0]` dan `paddings[D, 1]` tidak boleh lebih besar dari `input.dim_size(D)` (atau `input.dim_size(D) - 1`) jika `copy_border` benar (jika salah, masing-masing).
Ukuran empuk setiap dimensi D keluaran adalah:
`padding(D, 0) + input.dim_size(D) + padding(D, 1)`
Misalnya:
# '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]]
Konstanta
Rangkaian | OP_NAME | Nama operasi ini dikenal dengan mesin inti TensorFlow |
Metode Publik
Keluaran <T> | sebagai Keluaran () Mengembalikan pegangan simbolis tensor. |
statis <T memperluas TType > MirrorPad <T> | |
Keluaran <T> | keluaran () Tensor empuk. |
Metode Warisan
Konstanta
String akhir statis publik OP_NAME
Nama operasi ini dikenal dengan mesin inti TensorFlow
Metode Publik
Keluaran publik <T> sebagai Keluaran ()
Mengembalikan pegangan simbolis tensor.
Masukan ke operasi TensorFlow adalah keluaran dari operasi TensorFlow lainnya. Metode ini digunakan untuk mendapatkan pegangan simbolis yang mewakili perhitungan input.
MirrorPad statis publik <T> buat ( Lingkup lingkup, masukan Operan <T>, bantalan Operan <? extends TNumber >, mode String)
Metode pabrik untuk membuat kelas yang membungkus operasi MirrorPad baru.
Parameter
cakupan | ruang lingkup saat ini |
---|---|
masukan | Tensor masukan yang akan diberi bantalan. |
bantalan | Matriks dua kolom yang menentukan ukuran padding. Jumlah baris harus sama dengan peringkat `input`. |
mode | Entah `REFLECT` atau `SYMMETRIC`. Dalam mode refleksi, wilayah yang diberi bantalan tidak menyertakan batas, sedangkan dalam mode simetris, wilayah yang diisi tidak menyertakan batas. Misalnya, jika `input` adalah `[1, 2, 3]` dan `paddings` adalah `[0, 2]`, maka outputnya adalah `[1, 2, 3, 2, 1]` dalam mode refleksi , dan `[1, 2, 3, 3, 2]` dalam mode simetris. |
Kembali
- contoh baru dari MirrorPad