przepływ tensorowy:: ops:: FractionalMaxPool

Wykonuje ułamkowe maksymalne łączenie na wejściu.

Streszczenie

Maksymalne łączenie ułamkowe różni się nieco od zwykłego łączenia maksymalnego. W przypadku zwykłego łączenia maksymalnego zmniejszasz zbiór wejściowy, biorąc maksymalną wartość mniejszych N x N podsekcji zbioru (często 2x2) i próbując zmniejszyć zbiór o współczynnik N, gdzie N jest liczbą całkowitą. Maksymalne łączenie ułamkowe, jak można się spodziewać po słowie „ułamkowy”, oznacza, że ​​ogólny współczynnik redukcji N nie musi być liczbą całkowitą.

Rozmiary regionów łączenia są generowane losowo, ale są dość jednolite. Przyjrzyjmy się na przykład wymiarowi wysokości i ograniczeniom na liście wierszy, które będą granicami puli.

Najpierw definiujemy co następuje:

1. input_row_length : liczba wierszy ze zbioru wejściowego
2. długość_wiersza_wyjściowego: która będzie mniejsza niż wartość wejściowa
3. alfa = długość_wiersza_wejściowego / długość_wiersza_wyjściowego: nasz współczynnik redukcji
4. K = podłoga (alfa)
5. row_pooling_sequence : jest to lista wyników wierszy granic puli

Następnie row_pooling_sequence powinna spełniać:

1. a[0] = 0: pierwsza wartość ciągu to 0
2. a[end] = długość_wiersza_wejściowego: ostatnia wartość sekwencji to rozmiar
3. K <= (a[i+1] - a[i]) <= K+1 : wszystkie przedziały mają rozmiar K lub K+1
4. długość(row_pooling_sequence) = wyjściowa długość_wiersza+1

Aby uzyskać więcej informacji na temat ułamkowego maksymalnego łączenia, zobacz ten artykuł: Benjamin Graham, Fractional Max-Pooling

Argumenty:

• zakres: Obiekt Scope
• wartość: 4-D z kształtem [batch, height, width, channels] .
• Pooling_ratio: Współczynnik łączenia dla każdego wymiaru value , obecnie obsługuje tylko wymiar wierszy i kolumn i powinien wynosić >= 1,0. Na przykład prawidłowy współczynnik łączenia wygląda następująco [1,0, 1,44, 1,73, 1,0]. Pierwszy i ostatni element muszą mieć wartość 1,0, ponieważ nie zezwalamy na łączenie wymiarów partii i kanałów. 1,44 i 1,73 to współczynnik łączenia odpowiednio wysokości i szerokości.

Opcjonalne atrybuty (patrz Attrs ):

• pseudo_random: Po ustawieniu na True generuje sekwencję łączenia w sposób pseudolosowy, w przeciwnym razie w sposób losowy. Sprawdź artykuł Benjamina Grahama, Fractional Max-Pooling pod kątem różnicy między pseudolosowością a losowością.
• nakładanie się: ustawienie wartości True oznacza, że ​​podczas łączenia wartości na granicy sąsiednich komórek łączenia są używane przez obie komórki. Na przykład:

index 0 1 2 3 4

value 20 5 16 3 7

Jeśli sekwencja łączenia to [0, 2, 4], wówczas 16 o indeksie 2 zostanie użyte dwukrotnie. Wynikiem będzie [20, 16] dla ułamkowego maksymalnego łączenia.

• deterministyczny: po ustawieniu wartości True podczas iteracji po węźle FractionalMaxPool na wykresie obliczeniowym używany będzie stały obszar puli. Używane głównie w teście jednostkowym, aby uczynić FractionalMaxPool deterministycznym.
• ziarno: Jeśli ziarno lub ziarno2 jest ustawione na wartość różną od zera, generator liczb losowych jest zaszczepiany przez dane ziarno. W przeciwnym razie jest on zaszczepiany losowo.
• nasiono2: Drugie ziarno, aby uniknąć kolizji nasion.

Zwroty:

• Wyjście Output : tensor wyjściowy po ułamkowym maksymalnym łączeniu.
• Output row_pooling_sequence: sekwencja łączenia wierszy potrzebna do obliczenia gradientu.
• Output col_pooling_sequence: sekwencja łączenia kolumn potrzebna do obliczenia gradientu.

Atrybuty publiczne

::tensorflow::Output col_pooling_sequence

Operation operation

::tensorflow::Output output

::tensorflow::Output row_pooling_sequence

 FractionalMaxPool(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input value,
  const gtl::ArraySlice< float > & pooling_ratio
)

 FractionalMaxPool(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input value,
  const gtl::ArraySlice< float > & pooling_ratio,
  const FractionalMaxPool::Attrs & attrs
)

Attrs Deterministic(
  bool x
)

Attrs Overlapping(
  bool x
)

Attrs PseudoRandom(
  bool x
)

Attrs Seed(
  int64 x
)

Attrs Seed2(
  int64 x
)