tensorflow :: ops :: Conv2D

Calcula uma convolução 2-D dada input 4-D e tensores de filter .

Resumo

Dado um tensor de entrada de forma [batch, in_height, in_width, in_channels] e um tensor de filtro / kernel de forma [filter_height, filter_width, in_channels, out_channels] , esta [filter_height, filter_width, in_channels, out_channels] executa o seguinte:

1. Nivela o filtro para uma matriz 2-D com forma [filter_height * filter_width * in_channels, output_channels] .
2. Extrai patches de imagem do tensor de entrada para formar um tensor virtual de forma [batch, out_height, out_width, filter_height * filter_width * in_channels] .
3. Para cada patch, multiplica à direita a matriz de filtro e o vetor de patch da imagem.

Em detalhes, com o formato NHWC padrão,

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]

Deve haver strides[0] = strides[3] = 1 . Para o caso mais comum das mesmas passadas horizontais e vértices, strides = [1, stride, stride, 1] .

Argumentos:

• escopo: um objeto Scope
• entrada: um tensor 4-D. A ordem das dimensões é interpretada de acordo com o valor de data_format , veja abaixo para detalhes.
• filtro: um tensor 4-D de forma [filter_height, filter_width, in_channels, out_channels]
• strides: tensor 1-D de comprimento 4. O stride da janela deslizante para cada dimensão de input . A ordem da dimensão é determinada pelo valor de data_format , consulte abaixo para obter detalhes.
• preenchimento: o tipo de algoritmo de preenchimento a ser usado.

Atributos opcionais (consulte Attrs ):

• explicit_paddings: se o padding for "EXPLICIT" , a lista de valores de preenchimento explícito. Para a i-ésima dimensão, a quantidade de preenchimento inserido antes e depois da dimensão é explicit_paddings[2 * i] e explicit_paddings[2 * i + 1] , respectivamente. Se o padding não for "EXPLICIT" , o explicit_paddings deve estar vazio.
• data_format: especifique o formato dos dados de entrada e saída. Com o formato padrão "NHWC", os dados são armazenados na ordem de: [lote, altura, largura, canais]. Alternativamente, o formato pode ser "NCHW", a ordem de armazenamento de dados de: [lote, canais, altura, largura].
• dilatações: tensor 1-D de comprimento 4. O fator de dilatação para cada dimensão de input . Se definido como k> 1, haverá k-1 células ignoradas entre cada elemento de filtro nessa dimensão. A ordem da dimensão é determinada pelo valor de data_format , consulte acima para obter detalhes. As dilatações nas dimensões do lote e da profundidade devem ser 1.

Retorna:

• Output : um tensor 4-D. A ordem da dimensão é determinada pelo valor de data_format , consulte abaixo para obter detalhes.

Atributos públicos

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
)