SpaceToBatch dla tensorów ND typu T.
Ta operacja dzieli wymiary „przestrzenne” `[1, ..., M]` danych wejściowych na siatkę bloków o kształcie `block_shape` i przeplata te bloki wymiarem „wsadowym” (0) w taki sposób, że na wyjściu , wymiary przestrzenne „[1, ..., M]” odpowiadają pozycji w siatce, a wymiar partii łączy zarówno pozycję w bloku przestrzennym, jak i pierwotną pozycję partii. Przed podziałem na bloki wymiary przestrzenne danych wejściowych są opcjonalnie dopełniane zerami zgodnie z „wypełnieniami”. Dokładny opis znajdziesz poniżej.
Stałe
Smyczkowy | OP_NAME | Nazwa tej operacji znana silnikowi rdzenia TensorFlow |
Metody publiczne
Wyjście <T> | jako wyjście () Zwraca symboliczny uchwyt tensora. |
statyczny <T rozszerza TType > SpaceToBatchNd <T> | |
Wyjście <T> | wyjście () |
Metody dziedziczone
Stałe
publiczny statyczny końcowy ciąg znaków OP_NAME
Nazwa tej operacji znana silnikowi rdzenia TensorFlow
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 SpaceToBatchNd <T> utwórz (Zakres zakresu , Operand <T> wejście, Operand <? rozszerza TNumber > blockShape, Operand <? rozszerza TNumber > dopełnienia)
Metoda fabryczna służąca do tworzenia klasy opakowującej nową operację SpaceToBatchNd.
Parametry
zakres | aktualny zakres |
---|---|
wejście | ND z kształtem „input_shape = [partia] + przestrzenny_kształt + pozostały_kształt”, gdzie przestrzenny_kształt ma wymiary „M”. |
kształt bloku | 1-D z kształtem „[M]”, wszystkie wartości muszą wynosić >= 1. |
wyściółki | 2-D z kształtem `[M, 2]`, wszystkie wartości muszą być >= 0. `paddings[i] = [pad_start, pad_end]` określa dopełnienie wymiaru wejściowego `i + 1`, które odpowiada wymiarowi przestrzennemu „ja”. Wymagane jest, aby `block_shape[i]` dzieliło `input_shape[i + 1] + pad_start + pad_end`. Ta operacja jest równoważna następującym krokom: 1. Wyzeruj początek i koniec wymiarów `[1, ..., M]` danych wejściowych zgodnie z `dopełnieniami`, aby uzyskać `wypełnienie` kształtu `wyściełany_kształt`. 2. Zmień kształt „wyściełany” na „przekształcony_wypełniony” kształtu: [partia] + [padded_shape[1] / block_shape[0], block_shape[0], ..., wyściełany_shape[M] / block_shape[M-1], block_shape[M-1]] + pozostały_kształt 3. Zmień wymiary `re Shape_padded`, aby uzyskać `permuted_re Shape_padded` kształtu: block_shape + [partia] + [padded_shape[1] / block_shape[0], ..., wyściełany_shape[M] / block_shape[M-1]] + pozostały_kształt 4. Zmień kształt `permuted_re Shape_padded`, aby spłaszczyć `block_shape` do wymiaru wsadowego, tworząc wyjściowy tensor kształtu: [partia * prod(block_shape)] + [padded_shape[1] / block_shape[0], ..., wyściełany_shape[M] / block_shape[M-1]] + pozostały_kształt Kilka przykładów: (1) Dla następujących danych wejściowych kształtu „[1, 2, 2, 1]”, „kształt_bloku = [2, 2]” i „wypełnienia = [[0, 0], [0, 0]]”: Tensor wyjściowy ma kształt „[4, 1, 1, 1]” i wartość: (2) Dla następujących danych wejściowych kształtu „[1, 2, 2, 3]”, „kształt_bloku = [2, 2]” i „wypełnienia = [[0, 0], [0, 0]]”: Tensor wyjściowy ma kształt „[4, 1, 1, 3]” i wartość: (3) Dla następujących danych wejściowych kształtu „[1, 4, 4, 1]”, „kształt_bloku = [2, 2]” i „wypełnienia = [[0, 0], [0, 0]]”: Tensor wyjściowy ma kształt „[4, 2, 2, 1]” i wartość: (4) Dla następujących danych wejściowych kształtu `[2, 2, 4, 1]`, block_shape = `[2, 2]` i dopełnienia = `[[0, 0], [2, 0]]`: Tensor wyjściowy ma kształt „[8, 1, 3, 1]” i wartość: Ta operacja jest między innymi użyteczna do zredukowania splotu arous do splotu regularnego. |
Powroty
- nowa instancja SpaceToBatchNd