przepływ tensorowy:: ops:: LRN

bookmark_border Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.

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.

Atrybuty publiczne

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
)