เทนเซอร์โฟลว์:: ปฏิบัติการ:: การขยาย2D

คำนวณการขยายระดับสีเทาของเทนเซอร์ input 4 มิติและเทน filter 3 มิติ

สรุป

เทนเซอร์ input มีรูปร่าง [batch, in_height, in_width, depth] และเทนเซอร์ filter มีรูปร่าง [filter_height, filter_width, depth] กล่าวคือ แต่ละช่องอินพุตจะถูกประมวลผลอย่างเป็นอิสระจากช่องอื่นๆ ด้วยฟังก์ชันการจัดโครงสร้างของตัวเอง เทนเซอร์ output มีรูปร่าง [batch, out_height, out_width, depth] ขนาดเชิงพื้นที่ของเทนเซอร์เอาท์พุตขึ้นอยู่กับอัลกอริธึมการ padding ขณะนี้เราสนับสนุนเฉพาะ data_format "NHWC" เริ่มต้นเท่านั้น

ในรายละเอียด การขยาย 2-D ทางสัณฐานวิทยาในระดับสีเทาคือความสัมพันธ์สูงสุด-ผลรวม (เพื่อความสอดคล้องกับ conv2d เราใช้ตัวกรองที่ไม่มีการมิเรอร์):

output[b, y, x, c] =
   max_{dy, dx} input[b,
                      strides[1] * y + rates[1] * dy,
                      strides[2] * x + rates[2] * dx,
                      c] +
                filter[dy, dx, c]

Max-pooling เป็นกรณีพิเศษเมื่อตัวกรองมีขนาดเท่ากับขนาดเคอร์เนลที่รวมพูลและมีเลขศูนย์ทั้งหมด

หมายเหตุเกี่ยวกับความเป็นคู่: การขยาย input โดยตัว filter จะเท่ากับการปฏิเสธการกัดเซาะของ -input โดย filter ที่สะท้อน

ข้อโต้แย้ง:

• ขอบเขต: วัตถุ ขอบเขต
• อินพุต: 4-D ที่มีรูปร่าง [batch, in_height, in_width, depth]
• ตัวกรอง: 3 มิติที่มีรูปร่าง [filter_height, filter_width, depth]
• ความก้าวหน้า: ก้าวของหน้าต่างบานเลื่อนสำหรับแต่ละมิติของเทนเซอร์อินพุต ต้องเป็น: [1, stride_height, stride_width, 1]
• อัตรา: การก้าวย่างอินพุตสำหรับการขยายทางสัณฐานวิทยาของหลอดเลือด ต้องเป็น: [1, rate_height, rate_width, 1]
• padding: ประเภทของอัลกอริธึมการเติมที่จะใช้

ผลตอบแทน:

• Output : 4-D ที่มีรูปร่าง [batch, out_height, out_width, depth]

คุณลักษณะสาธารณะ

Operation operation

::tensorflow::Output output

 Dilation2D(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input filter,
  const gtl::ArraySlice< int > & strides,
  const gtl::ArraySlice< int > & rates,
  StringPiece padding
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const