przepływ tensorowy:: ops:: LRN
#include <nn_ops.h>
Normalizacja odpowiedzi lokalnej.
Streszczenie
Tensor input
4-D jest traktowany jako tablica 3-D wektorów 1-D (wzdłuż ostatniego wymiaru), a każdy wektor jest normalizowany niezależnie. W obrębie danego wektora każdy składnik jest dzielony przez ważoną kwadratową sumę danych wejściowych w depth_radius
. Szczegółowo,
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
Aby uzyskać szczegółowe informacje, zobacz Krizhevsky i in., Klasyfikacja ImageNet z głębokimi splotowymi sieciami neuronowymi (NIPS 2012) .
Argumenty:
- zakres: Obiekt Scope
- wejście: 4-D.
Opcjonalne atrybuty (patrz Attrs
):
- promień_głębokości: 0-D. Połowa szerokości okna normalizacji 1-D.
- odchylenie: przesunięcie (zwykle dodatnie, aby uniknąć dzielenia przez 0).
- alfa: Współczynnik skali, zwykle dodatni.
- beta: wykładnik.
Zwroty:
-
Output
: Tensor wyjściowy.
Konstruktory i destruktory | |
---|---|
LRN (const :: tensorflow::Scope & scope, :: tensorflow::Input input) | |
LRN (const :: tensorflow::Scope & scope, :: tensorflow::Input input, const LRN::Attrs & attrs) |
Funkcje publiczne | |
---|---|
node () const | ::tensorflow::Node * |
operator::tensorflow::Input () const | |
operator::tensorflow::Output () const |
Publiczne funkcje statyczne | |
---|---|
Alpha (float x) | |
Beta (float x) | |
Bias (float x) | |
DepthRadius (int64 x) |
Struktury | |
---|---|
tensorflow:: ops:: LRN:: Atrybuty | Opcjonalne narzędzia ustawiające atrybuty dla LRN . |
Atrybuty publiczne
działanie
Operation operation
wyjście
::tensorflow::Output output
Funkcje publiczne
LRN
LRN(
const ::tensorflow::Scope & scope,
::tensorflow::Input input
)
LRN
LRN(
const ::tensorflow::Scope & scope,
::tensorflow::Input input,
const LRN::Attrs & attrs
)
węzeł
::tensorflow::Node * node() const