DepthToSpace

bookmark_border 컬렉션을 사용해 정리하기 내 환경설정을 기준으로 콘텐츠를 저장하고 분류하세요.

T 유형의 텐서에 대한 DepthToSpace.

데이터를 깊이에서 공간 데이터 블록으로 재배열합니다. 이는 SpaceToDepth의 역변환입니다. 더 구체적으로 말하면, 이 작업은 '깊이' 차원의 값이 공간 블록에서 '높이' 및 '너비' 차원으로 이동되는 입력 텐서의 복사본을 출력합니다. 'block_size' 속성은 입력 블록 크기와 데이터 이동 방법을 나타냅니다.

* 깊이에서 `block_size * block_size` 크기의 데이터 덩어리는 `block_size x block_size` 크기의 겹치지 않는 블록으로 재배열됩니다. * 출력 텐서의 너비는 `input_length * block_size`이고 높이는 `input_height * block_size`입니다. * 출력 영상의 각 블록 내 Y, X 좌표는 입력 채널 인덱스의 상위 구성 요소에 의해 결정됩니다. * 입력 텐서의 깊이는 `block_size * block_size`로 나눌 수 있어야 합니다.

`data_format` 속성은 다음 옵션을 사용하여 입력 및 출력 텐서의 레이아웃을 지정합니다: "NHWC": `[ 배치, 높이, 너비, 채널 ]` "NCHW": `[ 배치, 채널, 높이, 너비 ]` " NCHW_VECT_C": `qint8 [ 배치, 채널 / 4, 높이, 너비, 4 ]`

이 작업을 6차원 텐서 변환으로 간주하는 것이 유용합니다. 예를 들어 data_format = NHWC의 경우 입력 텐서의 각 요소는 6개 좌표를 통해 지정할 수 있으며 메모리 레이아웃 중요도를 감소시키는 순서로 다음과 같이 정렬할 수 있습니다. n,iY,iX,bY,bX,oC(여기서 n=배치 인덱스, iX, iY는 X를 의미함) 또는 입력 이미지 내의 Y 좌표, bX, bY는 출력 블록 내의 좌표를 의미하고 oC는 출력 채널을 의미합니다. 출력은 다음 레이아웃으로 바뀐 입력입니다: n,iY,bY,iX,bX,oC

이 작업은 풀링 대신 컨볼루션 간의 활성화 크기를 조정하는 데 유용합니다(그러나 모든 데이터는 유지). 이는 순수 컨볼루션 모델을 훈련하는 데에도 유용합니다.

예를 들어 `[1, 1, 1, 4]` 형태의 입력이 주어지면 data_format = "NHWC" 및 block_size = 2입니다.

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

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

더 큰 깊이를 가진 입력 텐서의 경우 여기에서는 '[1, 1, 1, 12]' 모양입니다. 예:

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]]]]