เทนเซอร์โฟลว์:: ปฏิบัติการ:: BatchToSpaceND

BatchToSpace สำหรับเทนเซอร์ ND ประเภท T

สรุป

การดำเนินการนี้จะปรับรูปร่างมิติ "แบทช์" 0 เป็นมิติ M + 1 ของรูปร่าง block_shape + [batch] แทรกบล็อกเหล่านี้กลับเข้าไปในตารางที่กำหนดโดยมิติเชิงพื้นที่ [1, ..., M] เพื่อให้ได้ผลลัพธ์ด้วย อันดับเดียวกับอินพุต มิติเชิงพื้นที่ของผลลัพธ์ระดับกลางนี้จะถูกครอบตัดตามการ crops เพื่อสร้างผลลัพธ์ นี่คือสิ่งที่ตรงกันข้ามกับ SpaceToBatch ดูด้านล่างสำหรับคำอธิบายที่ชัดเจน

ข้อโต้แย้ง:

• ขอบเขต: วัตถุ ขอบเขต
• อินพุต: ND ที่มีรูปร่าง input_shape = [batch] + spatial_shape + remaining_shape โดยที่ spatial_shape มีมิติ M
• block_shape: 1-D ที่มีรูปร่าง [M] ค่าทั้งหมดจะต้องเป็น >= 1
• crops: 2-D ที่มีรูปร่าง [M, 2] ค่าทั้งหมดจะต้องเป็น >= 0 crops[i] = [crop_start, crop_end] ระบุจำนวนที่จะครอบตัดจากมิติข้อมูลอินพุต i + 1 ซึ่งสอดคล้องกับมิติเชิงพื้นที่ i จำเป็นต้องมี crop_start[i] + crop_end[i] <= block_shape[i] * input_shape[i + 1]

การดำเนินการนี้เทียบเท่ากับขั้นตอนต่อไปนี้:

1. ปรับรูปร่าง input ใหม่เพื่อ reshaped ของรูปร่าง: [block_shape[0], ..., block_shape[M-1], ชุด / prod(block_shape), input_shape[1], ..., input_shape[N-1]]
2. มิติการเรียงสับเปลี่ยนของ reshaped เพื่อสร้างรูปร่าง permuted ไป [batch / prod(block_shape),input_shape[1], block_shape[0], ..., input_shape[M], block_shape[M-1],input_shape[M+1], ..., input_shape[N-1]]
3. เปลี่ยนรูปร่าง permuted เพื่อสร้างรูปร่าง reshaped_permuted [batch / prod(block_shape),input_shape[1] * block_shape[0], ..., input_shape[M] * block_shape[M-1],input_shape[M+1], .. ., input_shape[N-1]]
4. ครอบตัดจุดเริ่มต้นและจุดสิ้นสุดของขนาด [1, ..., M] ของ reshaped_permuted ตาม crops เพื่อสร้างผลลัพธ์ของรูปร่าง: [batch / prod(block_shape),input_shape[1] * block_shape[0] - crops[0, 0] - ครอบตัด[0,1], ..., input_shape[M] * block_shape[M-1] - ครอบตัด[M-1,0] - ครอบตัด[M-1,1],input_shape[M+1] , ..., input_shape[N-1]]

ตัวอย่างบางส่วน:

(1) สำหรับการป้อนรูปร่าง [4, 1, 1, 1] , block_shape = [2, 2] และ crops = [[0, 0], [0, 0]] :

[[[[1]]], [[[2]]], [[[3]]], [[[4]]]]

เอาท์พุตเทนเซอร์มีรูปร่าง [1, 2, 2, 1] และค่า:

x = [[[[1], [2]], [[3], [4]]]]

(2) สำหรับการป้อนข้อมูลรูปร่าง [4, 1, 1, 3] , block_shape = [2, 2] และ crops = [[0, 0], [0, 0]] :

[[[[1, 2, 3]]], [[[4, 5, 6]]], [[[7, 8, 9]]], [[[10, 11, 12]]]]

เอาท์พุตเทนเซอร์มีรูปร่าง [1, 2, 2, 3] และค่า:

x = [[[[1, 2, 3], [4, 5, 6]],
      [[7, 8, 9], [10, 11, 12]]]]

(3) สำหรับการป้อนรูปร่าง [4, 2, 2, 1] , block_shape = [2, 2] และ crops = [[0, 0], [0, 0]] :

x = [[[[1], [3]], [[9], [11]]],
     [[[2], [4]], [[10], [12]]],
     [[[5], [7]], [[13], [15]]],
     [[[6], [8]], [[14], [16]]]]

เอาท์พุตเทนเซอร์มีรูปร่าง [1, 4, 4, 1] และค่า:

x = [[[[1],   [2],  [3],  [4]],
     [[5],   [6],  [7],  [8]],
     [[9],  [10], [11],  [12]],
     [[13], [14], [15],  [16]]]]

(4) สำหรับการป้อนรูปร่าง [8, 1, 3, 1] , block_shape = [2, 2] และ crops = [[0, 0], [2, 0]] :

x = [[[[0], [1], [3]]], [[[0], [9], [11]]],
     [[[0], [2], [4]]], [[[0], [10], [12]]],
     [[[0], [5], [7]]], [[[0], [13], [15]]],
     [[[0], [6], [8]]], [[[0], [14], [16]]]]

เอาท์พุตเทนเซอร์มีรูปร่าง [2, 2, 4, 1] และค่า:

x = [[[[1],   [2],  [3],  [4]],
      [[5],   [6],  [7],  [8]]],
     [[[9],  [10], [11],  [12]],
      [[13], [14], [15],  [16]]]]

ผลตอบแทน:

• Output : เทนเซอร์เอาท์พุต

คุณลักษณะสาธารณะ

Operation operation

::tensorflow::Output output

 BatchToSpaceND(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input block_shape,
  ::tensorflow::Input crops
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const