tensor akışı:: işlem:: Dönüşüm2D

4 boyutlu input ve filter tensörleri verildiğinde 2 boyutlu bir evrişimi hesaplar.

Özet

Şekil [batch, in_height, in_width, in_channels] şeklinde bir giriş tensörü ve [filter_height, filter_width, in_channels, out_channels] şeklinde bir filtre/çekirdek tensörü verildiğinde, bu op aşağıdakileri gerçekleştirir:

1. Filtreyi [filter_height * filter_width * in_channels, output_channels] şeklinde 2 boyutlu bir matrise düzleştirir.
2. [batch, out_height, out_width, filter_height * filter_width * in_channels] şeklinde sanal bir tensör oluşturmak için giriş tensöründen görüntü yamalarını çıkarır.
3. Her yama için filtre matrisini ve görüntü yama vektörünü sağla çarpar.

Ayrıntılı olarak, varsayılan NHWC formatıyla,

output[b, i, j, k] =
    sum_{di, dj, q} input[b, strides[1] * i + di, strides[2] * j + dj, q] *
                    filter[di, dj, q, k]

strides[0] = strides[3] = 1 olmalıdır. Aynı yatay ve köşeli adımların en yaygın durumu için, strides = [1, stride, stride, 1] .

Argümanlar:

• kapsam: Bir Kapsam nesnesi
• giriş: 4 boyutlu bir tensör. Boyut sırası data_format değerine göre yorumlanır; ayrıntılar için aşağıya bakın.
• filtre: Şeklin 4 boyutlu tensörü [filter_height, filter_width, in_channels, out_channels]
• adımlar: uzunluğun 1 boyutlu tensörü 4. input her boyutu için kayan pencerenin adımı. Boyut sırası data_format değerine göre belirlenir; ayrıntılar için aşağıya bakın.
• padding: Kullanılacak dolgu algoritmasının türü.

İsteğe bağlı özellikler (bkz. Attrs ):

• açık_paddingler: padding "EXPLICIT" ise, açık dolgu miktarlarının listesi. i. boyut için, boyuttan önce ve sonra eklenen dolgu miktarı sırasıyla explicit_paddings[2 * i] ve explicit_paddings[2 * i + 1] şeklindedir. padding "EXPLICIT" değilse, explicit_paddings boş olmalıdır.
• data_format: Giriş ve çıkış verilerinin veri formatını belirtin. Varsayılan format "NHWC" ile veriler şu sırayla saklanır: [toplu iş, yükseklik, genişlik, kanallar]. Alternatif olarak format, veri depolama sırası olan "NCHW" olabilir: [toplu iş, kanallar, yükseklik, genişlik].
• genişlemeler: 1-D uzunluk tensörü 4. input her boyutu için genişleme faktörü. k > 1 olarak ayarlanırsa, o boyuttaki her filtre elemanı arasında k-1 atlanmış hücre olacaktır. Boyut sırası data_format değerine göre belirlenir; ayrıntılar için yukarıya bakın. Parti ve derinlik boyutlarındaki genişlemeler 1 olmalıdır.

İade:

• Output : 4 boyutlu bir tensör. Boyut sırası data_format değerine göre belirlenir; ayrıntılar için aşağıya bakın.

Genel özellikler

Operation operation

::tensorflow::Output output

 Conv2D(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input filter,
  const gtl::ArraySlice< int > & strides,
  StringPiece padding
)

 Conv2D(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input filter,
  const gtl::ArraySlice< int > & strides,
  StringPiece padding,
  const Conv2D::Attrs & attrs
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs DataFormat(
  StringPiece x
)

Attrs Dilations(
  const gtl::ArraySlice< int > & x
)

Attrs ExplicitPaddings(
  const gtl::ArraySlice< int > & x
)

Attrs UseCudnnOnGpu(
  bool x
)