MirrorPadGrad

MirrorPadGrad kelas akhir publik

Operasi gradien untuk operasi `MirrorPad`. Operasi ini melipat tensor berlapis cermin.

Operasi ini melipat area empuk dari `input` dengan `MirrorPad` sesuai dengan `paddings` yang Anda tentukan. `paddings` harus sama dengan argumen `paddings` yang diberikan pada operasi `MirrorPad` yang sesuai.

Ukuran terlipat setiap dimensi D keluarannya adalah:

`input.dim_size(D) - bantalan(D, 0) - bantalan(D, 1)`

Misalnya:

# 't' is [[1, 2, 3], [4, 5, 6], [7, 8, 9]].
 # 'paddings' is [[0, 1]], [0, 1]].
 # 'mode' is SYMMETRIC.
 # rank of 't' is 2.
 pad(t, paddings) ==> [[ 1,  5]
                       [11, 28]]
 

Konstanta

Rangkaian OP_NAME Nama operasi ini dikenal dengan mesin inti TensorFlow

Metode Publik

Keluaran <T>
sebagai Keluaran ()
Mengembalikan pegangan simbolis tensor.
statis <T memperluas TType > MirrorPadGrad <T>
buat ( Lingkup lingkup, masukan Operan <T>, Operan <? extends TNumber > bantalan, mode String)
Metode pabrik untuk membuat kelas yang membungkus operasi MirrorPadGrad baru.
Keluaran <T>
keluaran ()
Tensor terlipat.

Metode Warisan

Konstanta

String akhir statis publik OP_NAME

Nama operasi ini dikenal dengan mesin inti TensorFlow

Nilai Konstan: "MirrorPadGrad"

Metode Publik

Keluaran publik <T> sebagai Keluaran ()

Mengembalikan pegangan simbolis tensor.

Masukan ke operasi TensorFlow adalah keluaran dari operasi TensorFlow lainnya. Metode ini digunakan untuk mendapatkan pegangan simbolis yang mewakili perhitungan input.

MirrorPadGrad statis publik <T> buat ( Lingkup lingkup, masukan Operan <T>, bantalan Operan <? extends TNumber >, mode String)

Metode pabrik untuk membuat kelas yang membungkus operasi MirrorPadGrad baru.

Parameter
cakupan ruang lingkup saat ini
memasukkan Tensor masukan yang akan dilipat.
bantalan Matriks dua kolom yang menentukan ukuran padding. Jumlah baris harus sama dengan peringkat `input`.
mode Mode yang digunakan dalam operasi `MirrorPad`.
Kembali
  • contoh baru MirrorPadGrad

Keluaran publik <T> keluaran ()

Tensor terlipat.