BatchToSpace untuk tensor 4-D tipe T.
Ini adalah versi lama dari BatchToSpaceND yang lebih umum.
Menata ulang (mengubah) data dari batch menjadi blok-blok data spasial, diikuti dengan cropping. Ini adalah transformasi kebalikan dari SpaceToBatch. Lebih khusus lagi, operasi ini mengeluarkan salinan tensor input di mana nilai dari dimensi `batch` dipindahkan dalam blok spasial ke dimensi `height` dan `width`, diikuti dengan memotong sepanjang dimensi `height` dan `width`.
Metode Publik
Output <T> | asOutput () Mengembalikan pegangan simbolis tensor. |
statis <T, U meluas Nomor> BatchToSpace <T> | |
Output <T> | Output () 4-D dengan bentuk `[batch, height, width, depth]`, di mana: tinggi = tinggi_pad - crop_top - crop_bottom lebar = lebar_pad - crop_left - crop_right Attr `block_size` harus lebih besar dari satu. |
Metode yang Diwarisi
Metode Publik
publik Keluaran <T> asOutput ()
Mengembalikan pegangan simbolis tensor.
Input ke operasi TensorFlow adalah output dari operasi TensorFlow lainnya. Metode ini digunakan untuk mendapatkan pegangan simbolis yang mewakili perhitungan input.
public static BatchToSpace <T> membuat ( Lingkup lingkup, Operan <T> input, Operan <U> tanaman, panjang BLOCKSIZE)
Metode pabrik untuk membuat kelas yang membungkus operasi BatchToSpace baru.
Parameter
cakupan | lingkup saat ini |
---|---|
memasukkan | 4-D tensor dengan bentuk `[bets block_size block_size, height_pad / block_size, width_pad / block_size, kedalaman]`. Perhatikan bahwa ukuran batch tensor input harus dapat dibagi dengan `block_size * block_size`. |
tanaman-tanaman | Tensor 2-D bilangan bulat non-negatif dengan bentuk `[2, 2]`. Ini menentukan berapa banyak elemen yang akan dipotong dari hasil antara melintasi dimensi spasial sebagai berikut: crop = [[crop_top, crop_bottom], [crop_left, crop_right]] |
Kembali
- contoh baru BatchToSpace
publik Keluaran <T> Output ()
4-D dengan bentuk `[batch, height, width, depth]`, di mana:
tinggi = tinggi_pad - crop_top - crop_bottom lebar = lebar_pad - crop_left - crop_right
Attr `block_size` harus lebih besar dari satu. Ini menunjukkan ukuran blok.
Beberapa contoh:
(1) Untuk input berikut bentuk `[4, 1, 1, 1]` dan block_size dari 2:
[[[[1]]], [[[2]]], [[[3]]], [[[4]]]]
Output tensor memiliki bentuk `[1, 2, 2, 1]` dan nilai: x = [[[[1], [2]], [[3], [4]]]]
(2) Untuk input berikut bentuk `[4, 1, 1, 3]` dan block_size dari 2: [[[[1, 2, 3]]], [[[4, 5, 6]]], [[[7, 8, 9]]], [[[10, 11, 12]]]]
Output tensor memiliki bentuk `[1, 2, 2, 3]` dan nilai: x = [[[[1, 2, 3], [4, 5, 6]],
[[7, 8, 9], [10, 11, 12]]]]
(3) Untuk input berikut bentuk `[4, 2, 2, 1]` dan block_size dari 2: x = [[[[1], [3]], [[9], [11]]],
[[[2], [4]], [[10], [12]]],
[[[5], [7]], [[13], [15]]],
[[[6], [8]], [[14], [16]]]]
Output tensor memiliki bentuk `[1, 4, 4, 1]` dan nilai: x = [[[[1], [2], [3], [4]],
[[5], [6], [7], [8]],
[[9], [10], [11], [12]],
[[13], [14], [15], [16]]]]
(4) Untuk input berikut bentuk `[8, 1, 2, 1]` dan block_size dari 2: x = [[[[1], [3]]], [[[9], [11]]], [[[2], [4]]], [[[10], [12]]],
[[[5], [7]]], [[[13], [15]]], [[[6], [8]]], [[[14], [16]]]]
Output tensor memiliki bentuk `[2, 2, 4, 1]` dan nilai: x = [[[[1], [3]], [[5], [7]]],
[[[2], [4]], [[10], [12]]],
[[[5], [7]], [[13], [15]]],
[[[6], [8]], [[14], [16]]]]