คำเตือน: API นี้เลิกใช้งานแล้วและจะถูกลบออกใน TensorFlow เวอร์ชันในอนาคตหลังจาก การแทนที่ เสถียรแล้ว

BatchToSpaceNd

ประชาชน BatchToSpaceNd ชั้นสุดท้าย

BatchToSpace สำหรับเทนเซอร์ ND ประเภท T

การดำเนินการนี้ปรับรูปร่าง "แบทช์" ขนาด 0 เป็น `M + 1` ขนาดของรูปร่าง `block_shape + [batch]` แทรกบล็อกเหล่านี้กลับเข้าไปในตารางที่กำหนดโดยมิติเชิงพื้นที่ `[1, ..., M]`, เพื่อให้ได้ผลลัพธ์ที่มีอันดับเดียวกับอินพุต ขนาดเชิงพื้นที่ของผลลัพธ์ขั้นกลางนี้จะถูกครอบตัดตามตัวเลือกตาม "การครอบตัด" เพื่อสร้างผลลัพธ์ นี่เป็นสิ่งที่ตรงกันข้ามของ SpaceToBatch ดูด้านล่างสำหรับคำอธิบายที่แม่นยำ

วิธีการสาธารณะ

เอาท์พุท <T>
asOutput ()
ส่งกลับค่าแฮนเดิลเชิงสัญลักษณ์ของเทนเซอร์
คง <T, U ขยายจำนวน, V ขยายจำนวน> BatchToSpaceNd <T>
สร้าง ( ขอบเขต ขอบเขต Operand <T> การป้อนข้อมูล ตัวถูกดำเนินการ <u> blockShape, Operand <V> พืช)
วิธีการจากโรงงานเพื่อสร้างคลาสที่ปิดการดำเนินการ BatchToSpaceNd ใหม่
เอาท์พุท <T>

วิธีการสืบทอด

วิธีการสาธารณะ

ประชาชน เอาท์พุท <T> asOutput ()

ส่งกลับค่าแฮนเดิลเชิงสัญลักษณ์ของเทนเซอร์

อินพุตสำหรับการทำงานของ TensorFlow เป็นเอาต์พุตของการดำเนินการอื่นของ TensorFlow วิธีนี้ใช้เพื่อรับหมายเลขอ้างอิงเชิงสัญลักษณ์ที่แสดงถึงการคำนวณของอินพุต

สาธารณะคง BatchToSpaceNd <T> สร้าง ( ขอบเขต ขอบเขต Operand <T> การป้อนข้อมูล ตัวถูกดำเนินการ <u> blockShape, Operand <V> พืช)

วิธีการจากโรงงานเพื่อสร้างคลาสที่ปิดการดำเนินการ BatchToSpaceNd ใหม่

พารามิเตอร์
ขอบเขต ขอบเขตปัจจุบัน
ป้อนข้อมูล ND ที่มีรูปร่าง `input_shape = [batch] + spatial_shape + left_shape` โดยที่ spatial_shape มีขนาด M
บล็อกรูปร่าง 1-D ที่มีรูปร่าง `[M]` ค่าทั้งหมดต้องเป็น >= 1
พืชผล 2-D ที่มีรูปร่าง `[M, 2]` ค่าทั้งหมดต้องเป็น >= 0 `crops[i] = [crop_start, crop_end]` ระบุจำนวนที่จะครอบตัดจากมิติข้อมูลเข้า `i + 1' ซึ่งสอดคล้องกับ มิติเชิงพื้นที่ `i` จำเป็นต้องมี `crop_start[i] + crop_end[i] <= block_shape[i] * input_shape[i + 1]`

การดำเนินการนี้เทียบเท่ากับขั้นตอนต่อไปนี้:

1. เปลี่ยนรูปร่าง 'อินพุต' เป็น 'เปลี่ยนรูปร่าง' ของรูปร่าง: [block_shape[0], ..., block_shape[M-1], batch / prod(block_shape), input_shape[1], ..., input_shape[N- 1]]

2. เปลี่ยนมิติของ `reshape` เพื่อสร้าง `permuted` ของรูปร่าง [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. ก่อร่างใหม่ `permuted` เพื่อสร้าง `reshape_permuted` ของรูปร่าง [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. ตัดจุดเริ่มต้นและจุดสิ้นสุดของมิติ `[1, ..., M]` ของ `reshape_permuted` ตาม `crops` เพื่อสร้างผลลัพธ์ของรูปร่าง: [batch / prod(block_shape),

input_shape[1] * block_shape[0] - พืชผล[0,0] - พืชผล[0,1], ..., input_shape[M] * block_shape[M-1] - พืชผล[M-1,0] - พืชผล [M-1,1],

input_shape[M+1], ..., input_shape[N-1]]

ตัวอย่างบางส่วน:

(1) สำหรับการป้อนรูปร่างต่อไปนี้ `[4, 1, 1, 1]`, `block_shape = [2, 2]` และ `crops = [[0, 0], [0, 0]]`:

[[[[1]]], [[[2]]], [[[3]]], [[[4]]]]
 
เมตริกซ์เอาท์พุทมีรูปร่าง `[1, 2, 2, 1]` และความคุ้มค่า:
x = [[[[1], [2]], [[3], [4]]]]
 
(2) สำหรับการป้อนข้อมูลต่อไปนี้ของรูปร่าง `[4, 1, 1, 3]` `block_shape = [ 2, 2] `และ` พืช = [[0, 0], [0, 0]] `:
[[[[1, 2, 3]]], [[[4, 5, 6]]], [[[7, 8, 9]]], [[[10, 11, 12]]]]
 
เมตริกซ์เอาท์พุทมีรูปร่าง` [1, 2, 2, 3] `และความคุ้มค่า:
x = [[[[1, 2, 3], [4, 5, 6]],
       [[7, 8, 9], [10, 11, 12]]]]
 
(3) สำหรับการป้อนรูปร่างต่อไปนี้ `[4, 2, 2, 1]`, `block_shape = [2, 2]` และ `crops = [[0, 0], [0, 0]]`:
x = [[[[1], [3]], [[9], [11]]],
      [[[2], [4]], [[10], [12]]],
      [[[5], [7]], [[13], [15]]],
      [[[6], [8]], [[14], [16]]]]
 
เมตริกซ์เอาท์พุทมีรูปร่าง `[1, 4, 4, 1]` และความคุ้มค่า:
x = [[[[1],   [2],  [3],  [4]],
      [[5],   [6],  [7],  [8]],
      [[9],  [10], [11],  [12]],
      [[13], [14], [15],  [16]]]]
 
(4) สำหรับการป้อนข้อมูลต่อไปนี้ของรูปร่าง `[8, 1, 3, 1]` `block_shape = [ 2, 2] `และ` พืช = [[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]]]]
 
เมตริกซ์เอาท์พุทมีรูปร่าง` [2, 2, 4, 1] `และความคุ้มค่า:
x = [[[[1],   [2],  [3],  [4]],
       [[5],   [6],  [7],  [8]]],
      [[[9],  [10], [11],  [12]],
       [[13], [14], [15],  [16]]]]
 

คืนสินค้า
  • อินสแตนซ์ใหม่ของ BatchToSpaceNd

ประชาชน เอาท์พุท <T> เอาท์พุท ()