flujo tensor:: operaciones:: Conv2D

Calcula una convolución 2D dada input 4D y los tensores filter .

Resumen

Dado un tensor de entrada de forma [batch, in_height, in_width, in_channels] y un filtro/tensor de kernel de forma [filter_height, filter_width, in_channels, out_channels] , esta operación realiza lo siguiente:

1. Aplana el filtro a una matriz 2-D con forma [filter_height * filter_width * in_channels, output_channels] .
2. Extrae parches de imagen del tensor de entrada para formar un tensor virtual de forma [batch, out_height, out_width, filter_height * filter_width * in_channels] .
3. Para cada parche, multiplica por la derecha la matriz de filtro y el vector del parche de imagen.

En detalle, con el formato NHWC predeterminado,

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]

Debe tener strides[0] = strides[3] = 1 . Para el caso más común de las mismas zancadas horizontales y de vértices, strides = [1, stride, stride, 1] .

Argumentos:

• alcance: un objeto de alcance
• entrada: un tensor 4-D. El orden de las dimensiones se interpreta según el valor de data_format ; consulte los detalles a continuación.
• filtro: un tensor de forma 4-D [filter_height, filter_width, in_channels, out_channels]
• zancadas: tensor 1-D de longitud 4. La zancada de la ventana deslizante para cada dimensión de input . El orden de las dimensiones está determinado por el valor de data_format ; consulte a continuación para obtener más detalles.
• padding: el tipo de algoritmo de relleno que se utilizará.

Atributos opcionales (ver Attrs ):

• explicit_paddings: si padding es "EXPLICIT" , la lista de cantidades de relleno explícito. Para la i-ésima dimensión, la cantidad de relleno insertado antes y después de la dimensión es explicit_paddings[2 * i] y explicit_paddings[2 * i + 1] , respectivamente. Si padding no es "EXPLICIT" , explicit_paddings debe estar vacío.
• data_format: especifique el formato de datos de los datos de entrada y salida. Con el formato predeterminado "NHWC", los datos se almacenan en el orden de: [lote, alto, ancho, canales]. Alternativamente, el formato podría ser "NCHW", el orden de almacenamiento de datos de: [lote, canales, alto, ancho].
• dilataciones: tensor 1-D de longitud 4. El factor de dilatación para cada dimensión de input . Si se establece en k > 1, se omitirán k-1 celdas entre cada elemento de filtro en esa dimensión. El orden de las dimensiones está determinado por el valor de data_format ; consulte más arriba para obtener más detalles. Las dilataciones en las dimensiones de lote y profundidad deben ser 1.

Devoluciones:

• Output : un tensor 4-D. El orden de las dimensiones está determinado por el valor de data_format ; consulte a continuación para obtener más detalles.

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
)