เทนเซอร์โฟลว์:: ปฏิบัติการ:: แอลอาร์เอ็น

การทำให้เป็นมาตรฐานการตอบสนองในท้องถิ่น

สรุป

เทนเซอร์ input 4 มิติจะถือเป็นอาร์เรย์ 3 มิติของเวกเตอร์ 1 มิติ (ตามมิติสุดท้าย) และเวกเตอร์แต่ละตัวจะถูกทำให้เป็นมาตรฐานอย่างเป็นอิสระ ภายในเวกเตอร์ที่กำหนด แต่ละองค์ประกอบจะถูกหารด้วยผลรวมกำลังสองแบบถ่วงน้ำหนักของอินพุตภายใน depth_radius ในรายละเอียด

sqr_sum[a, b, c, d] =
    sum(input[a, b, c, d - depth_radius : d + depth_radius + 1] ** 2)
output = input / (bias + alpha * sqr_sum) ** beta

สำหรับรายละเอียด โปรดดูที่ Krizhevsky และคณะ การจำแนกประเภท ImageNet ด้วยโครงข่ายประสาทเทียมแบบ deep convolutional (NIPS 2012)

ข้อโต้แย้ง:

• ขอบเขต: วัตถุ ขอบเขต
• อินพุต: 4-D

แอ็ตทริบิวต์ทางเลือก (ดู Attrs ):

• ความลึก_รัศมี: 0-D ความกว้างครึ่งหนึ่งของหน้าต่างการปรับมาตรฐาน 1-D
• อคติ: ค่าชดเชย (โดยปกติจะเป็นค่าบวกเพื่อหลีกเลี่ยงการหารด้วย 0)
• อัลฟา: ตัวประกอบขนาด ซึ่งมักจะเป็นค่าบวก
• เบต้า: เลขชี้กำลัง

ผลตอบแทน:

• Output : เทนเซอร์เอาท์พุต

คุณลักษณะสาธารณะ

Operation operation

::tensorflow::Output output

 LRN(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input
)

 LRN(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  const LRN::Attrs & attrs
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs Alpha(
  float x
)

Attrs Beta(
  float x
)

Attrs Bias(
  float x
)

Attrs DepthRadius(
  int64 x
)