Menyisipkan dimensi 1 ke dalam bentuk tensor.
Diberikan `input` tensor, operasi ini menyisipkan dimensi 1 pada `sumbu` indeks dimensi dari bentuk `input`. Indeks dimensi `sumbu` dimulai dari nol; jika Anda menentukan angka negatif untuk `sumbu`, itu dihitung mundur dari akhir.
Operasi ini berguna jika Anda ingin menambahkan dimensi batch ke elemen tunggal. Misalnya, jika Anda memiliki satu gambar bentuk `[height, width, channels]`, Anda dapat membuatnya menjadi kumpulan 1 gambar dengan `expand_dims(image, 0)`, yang akan membuat bentuk `[1, height , lebar, saluran]`.
Contoh lain:
# 't' is a tensor of shape [2]
shape(expand_dims(t, 0)) ==> [1, 2]
shape(expand_dims(t, 1)) ==> [2, 1]
shape(expand_dims(t, -1)) ==> [2, 1]
# 't2' is a tensor of shape [2, 3, 5]
shape(expand_dims(t2, 0)) ==> [1, 2, 3, 5]
shape(expand_dims(t2, 2)) ==> [2, 3, 1, 5]
shape(expand_dims(t2, 3)) ==> [2, 3, 5, 1]
Operasi ini mensyaratkan bahwa:`-1-input.dims() <= redup <= input.dims()`
Operasi ini terkait dengan `squeeze()`, yang menghilangkan dimensi ukuran 1.
Metode Publik
Output <T> | asOutput () Mengembalikan pegangan simbolis tensor. |
statis <T, U meluas Nomor> ExpandDims <T> | |
Output <T> | Output () Berisi data yang sama dengan `input`, tetapi bentuknya memiliki dimensi tambahan ukuran 1 yang ditambahkan. |
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 ExpandDims <T> membuat ( Lingkup lingkup, Operan <T> input, Operan <U> axis)
Metode pabrik untuk membuat kelas yang membungkus operasi ExpandDims baru.
Parameter
cakupan | lingkup saat ini |
---|---|
sumbu | 0-D (skalar). Menentukan indeks dimensi untuk memperluas bentuk `input`. Harus dalam rentang `[-rank(input) - 1, rank(input)]`. |
Kembali
- contoh baru dari ExpandDims
publik Keluaran <T> Output ()
Berisi data yang sama dengan `input`, tetapi bentuknya memiliki dimensi tambahan ukuran 1 yang ditambahkan.