DepthToSpace

DepthToSpace للموترات من النوع T.

إعادة ترتيب البيانات من العمق إلى كتل من البيانات المكانية. هذا هو التحول العكسي لـ SpaceToDepth. وبشكل أكثر تحديدًا، تقوم هذه العملية بإخراج نسخة من موتر الإدخال حيث يتم نقل القيم من بُعد "العمق" في كتل مكانية إلى بُعدي "الارتفاع" و"العرض". يشير attr `block_size` إلى حجم كتلة الإدخال وكيفية نقل البيانات.

* يتم إعادة ترتيب أجزاء البيانات ذات الحجم `block_size * block_size` من العمق إلى كتل غير متداخلة بالحجم `block_size x block_size` * عرض موتر الإخراج هو `input_عمق * block_size`، في حين أن الارتفاع هو `input_height * block_size`. * يتم تحديد إحداثيات Y وX داخل كل كتلة من صورة الإخراج بواسطة مكون عالي الترتيب لمؤشر قناة الإدخال. * يجب أن يكون عمق موتر الإدخال قابلاً للقسمة على `block_size * block_size`.

تحدد `data_format` attr تخطيط موترات الإدخال والإخراج مع الخيارات التالية: "NHWC": `[ Batch, height, width,channels ]` "NCHW": `[ Batch,channels, height, width ]` " NCHW_VECT_C": `qint8 [ دفعة، القنوات / 4، الارتفاع، العرض، 4 ]`

من المفيد اعتبار العملية بمثابة تحويل لموتر سداسي الأبعاد. على سبيل المثال، بالنسبة إلى data_format = NHWC، يمكن تحديد كل عنصر في موتر الإدخال عبر 6 إحداثيات، مرتبة عن طريق تقليل أهمية تخطيط الذاكرة على النحو التالي: n,iY,iX,bY,bX,oC (حيث n=فهرس الدُفعة، iX، iY يعني X أو إحداثيات Y داخل صورة الإدخال، bX، bY تعني الإحداثيات داخل كتلة الإخراج، oC تعني قنوات الإخراج). سيكون الإخراج هو الإدخال المنقول إلى التخطيط التالي: n,iY,bY,iX,bX,oC

هذه العملية مفيدة لتغيير حجم عمليات التنشيط بين التحويلات (ولكن مع الاحتفاظ بجميع البيانات)، على سبيل المثال بدلاً من التجميع. كما أنه مفيد لتدريب النماذج التلافيفية البحتة.

على سبيل المثال، في حالة إدخال الشكل `[1، 1، 1، 4]`، data_format = "NHWC" وblock_size = 2:

x = [[[[1, 2, 3, 4]]]]
 
 

[[[[1], [2]],
      [[3], [4]]]]
 

بالنسبة لموتر الإدخال بعمق أكبر، هنا بالشكل `[1، 1، 1، 12]`، على سبيل المثال

x = [[[[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]]]]
 

[[[[1, 2, 3], [4, 5, 6]],
      [[7, 8, 9], [10, 11, 12]]]]
 
 

x =  [[[[1, 2, 3, 4],
        [5, 6, 7, 8]],
       [[9, 10, 11, 12],
        [13, 14, 15, 16]]]]
 

x = [[[ [1],   [2],  [5],  [6]],
       [ [3],   [4],  [7],  [8]],
       [ [9],  [10], [13],  [14]],
       [ [11], [12], [15],  [16]]]]