BatchToSpaceNd

public class akhir BatchToSpaceNd

BatchToSpace untuk tensor ND tipe T.

Operasi ini membentuk ulang dimensi "batch" 0 menjadi dimensi `M + 1` dari bentuk `block_shape + [batch]`, menyisipkan blok-blok ini kembali ke grid yang ditentukan oleh dimensi spasial `[1, ..., M]`, untuk mendapatkan hasil dengan peringkat yang sama dengan input. Dimensi spasial dari hasil antara ini kemudian secara opsional dipangkas menurut `krop` untuk menghasilkan output. Ini adalah kebalikan dari SpaceToBatch. Lihat di bawah untuk deskripsi yang tepat.

Metode Publik

Output <T>	asOutput () Mengembalikan pegangan simbolis tensor.
statis <T, U meluas Nomor, V meluas Nomor> BatchToSpaceNd <T>	membuat ( Lingkup lingkup, Operan <T> input, Operan <U> blockShape, Operan <V> tanaman) Metode pabrik untuk membuat kelas yang membungkus operasi BatchToSpaceNd baru.
Output <T>	Output ()

Metode yang Diwarisi

Dari kelas org.tensorflow.op.PrimitiveOp

boolean akhir	sama (Object obj)
akhir	hashCode ()
Operasi	op () Mengembalikan mendasari Operation
string terakhir	toString ()

Dari kelas java.lang.Object

boolean	sama (Object arg0)
Kelas terakhir<?>	getClass ()
ke dalam	hashCode ()
kekosongan akhir	notify ()
kekosongan akhir	notifyAll ()
Rangkaian	toString ()
kekosongan akhir	menunggu (arg0 panjang, int arg1)
kekosongan akhir	menunggu (arg0 panjang)
kekosongan akhir	menunggu ()

Dari antarmuka org.tensorflow.Operand

abstrak Keluaran <T>

asOutput () Mengembalikan pegangan simbolis tensor.

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 BatchToSpaceNd <T> membuat ( Lingkup lingkup, Operan <T> input, Operan <U> blockShape, Operan <V> tanaman)

Metode pabrik untuk membuat kelas yang membungkus operasi BatchToSpaceNd baru.

Parameter

cakupan	lingkup saat ini
memasukkan	ND dengan bentuk `input_shape = [batch] + spatial_shape + sisa_shape`, di mana spatial_shape memiliki dimensi M.
bentuk balok	1-D dengan bentuk `[M]`, semua nilai harus >= 1.
tanaman-tanaman	2-D dengan bentuk `[M, 2]`, semua nilai harus >= 0. `crops[i] = [crop_start, crop_end]` menentukan jumlah yang akan dipotong dari dimensi input `i + 1`, yang sesuai dengan dimensi spasial `i`. Diperlukan bahwa `crop_start[i] + crop_end[i] <= block_shape[i] * input_shape[i + 1]`. Operasi ini setara dengan langkah-langkah berikut: 1. Bentuk ulang `input` menjadi `bentuk ulang` bentuk: [block_shape[0], ..., block_shape[M-1], batch / prod(block_shape), input_shape[1], ..., input_shape[N- 1]] 2. Permutasi dimensi `reshaped` untuk menghasilkan `permuted` bentuk [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. Bentuk ulang `permuted` untuk menghasilkan `reshaped_permuted` dari bentuk [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. Pangkas awal dan akhir dimensi `[1, ..., M]` dari `reshaped_permuted` menurut `crops` untuk menghasilkan output bentuk: [batch / prod(block_shape), input_shape[1] * block_shape[0] - tanaman[0,0] - tanaman[0,1], ..., input_shape[M] * block_shape[M-1] - tanaman[M-1,0] - tanaman [M-1,1], input_shape[M+1], ..., input_shape[N-1]] Beberapa contoh: (1) Untuk input bentuk berikut `[4, 1, 1, 1]`, `block_shape = [2, 2]`, dan `crops = [[0, 0], [0, 0]]`: [[[[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]`, `block_shape = [ 2, 2] `, dan` tanaman = [[0, 0], [0, 0]] `: [[[[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 bentuk berikut `[4, 2, 2, 1]`, `block_shape = [2, 2]`, dan `crops = [[0, 0], [0, 0]]`: 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, 3, 1]`, `block_shape = [ 2, 2] `, dan` tanaman = [[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]]]] Output tensor memiliki bentuk` [2, 2, 4, 1] `dan nilai: x = [[[[1], [2], [3], [4]], [[5], [6], [7], [8]]], [[[9], [10], [11], [12]], [[13], [14], [15], [16]]]]

Kembali

• contoh baru BatchToSpaceNd

publik Keluaran <T> Output ()