เทนเซอร์โฟลว์:: ปฏิบัติการ:: Conv2D

#include <nn_ops.h>

คำนวณการบิดแบบ 2 มิติโดยรับ input 4 มิติและเทนเซอร์ filter

สรุป

เมื่อพิจารณาเทนเซอร์อินพุตของรูปร่าง [batch, in_height, in_width, in_channels] และตัวกรอง / เทนเซอร์เคอร์เนลของรูปร่าง [filter_height, filter_width, in_channels, out_channels] op นี้จะดำเนินการต่อไปนี้:

1. ทำให้ตัวกรองเรียบเป็นเมทริกซ์ 2 มิติที่มีรูปร่าง [filter_height * filter_width * in_channels, output_channels]
2. แยกแพตช์รูปภาพจากเทนเซอร์อินพุตเพื่อสร้างเทนเซอร์ เสมือนจริง ของรูปร่าง [batch, out_height, out_width, filter_height * filter_width * in_channels]
3. สำหรับแต่ละแพตช์ ให้คูณขวากับเมทริกซ์ตัวกรองและเวกเตอร์แพตช์รูปภาพ

โดยละเอียดด้วยรูปแบบ NHWC เริ่มต้น

output[b, i, j, k] =
    sum_{di, dj, q} input[b, strides[1] * i + di, strides[2] * j + dj, q] *
                    filter[di, dj, q, k]

ต้องมี strides[0] = strides[3] = 1 สำหรับกรณีที่พบบ่อยที่สุดของการก้าวในแนวนอนและจุดยอดเดียวกัน strides = [1, stride, stride, 1]

ข้อโต้แย้ง:

• ขอบเขต: วัตถุ ขอบเขต
• อินพุต: เทนเซอร์ 4-D ลำดับมิติได้รับการตีความตามค่าของ data_format โปรดดูรายละเอียดด้านล่าง
• ตัวกรอง: เทนเซอร์ 4 มิติของรูปร่าง [filter_height, filter_width, in_channels, out_channels]
• ความก้าวหน้า: เมตริกซ์ 1-D ที่มีความยาว 4 ก้าวของหน้าต่างบานเลื่อนสำหรับแต่ละมิติของ input ลำดับมิติถูกกำหนดโดยค่าของ data_format โปรดดูรายละเอียดด้านล่าง
• padding: ประเภทของอัลกอริธึมการเติมที่จะใช้

แอ็ตทริบิวต์ทางเลือก (ดู Attrs ):

• explic_paddings: หาก padding คือ "EXPLICIT" รายการของจำนวนช่องว่างภายในที่ชัดเจน สำหรับมิติที่ 8 จำนวนช่องว่างภายในที่แทรกก่อนและหลังมิติคือ explicit_paddings[2 * i] และ explicit_paddings[2 * i + 1] ตามลำดับ หาก padding ไม่ใช่ "EXPLICIT" แสดงว่า explicit_paddings จะต้องเว้นว่างไว้
• data_format: ระบุรูปแบบข้อมูลของข้อมูลอินพุตและเอาต์พุต ด้วยรูปแบบเริ่มต้น "NHWC" ข้อมูลจะถูกจัดเก็บตามลำดับ: [แบทช์ ความสูง ความกว้าง ช่อง] หรืออีกทางหนึ่ง รูปแบบอาจเป็น "NCHW" ซึ่งเป็นลำดับการจัดเก็บข้อมูลเป็น: [แบทช์ ช่อง ความสูง ความกว้าง]
• การขยาย: เทนเซอร์ 1-D ที่มีความยาว 4. ปัจจัยการขยายสำหรับแต่ละมิติของ input หากตั้งค่าเป็น k > 1 จะมีเซลล์ที่ข้าม k-1 ระหว่างองค์ประกอบตัวกรองแต่ละรายการในมิตินั้น ลำดับมิติถูกกำหนดโดยค่าของ data_format โปรดดูรายละเอียดด้านบน การขยายขนาดแบทช์และความลึกต้องเป็น 1

ผลตอบแทน:

• Output : เทนเซอร์ 4-D ลำดับมิติถูกกำหนดโดยค่าของ data_format โปรดดูรายละเอียดด้านล่าง

ตัวสร้างและผู้ทำลาย
Conv2D (const :: tensorflow::Scope & scope, :: tensorflow::Input input, :: tensorflow::Input filter, const gtl::ArraySlice< int > & strides, StringPiece padding)
Conv2D (const :: tensorflow::Scope & scope, :: tensorflow::Input input, :: tensorflow::Input filter, const gtl::ArraySlice< int > & strides, StringPiece padding, const Conv2D::Attrs & attrs)

คุณลักษณะสาธารณะ
operation	Operation
output	:: tensorflow::Output

งานสาธารณะ
node () const	::tensorflow::Node *
operator::tensorflow::Input () const
operator::tensorflow::Output () const

ฟังก์ชันคงที่สาธารณะ
DataFormat (StringPiece x)	Attrs
Dilations (const gtl::ArraySlice< int > & x)	Attrs
ExplicitPaddings (const gtl::ArraySlice< int > & x)	Attrs
UseCudnnOnGpu (bool x)	Attrs

โครงสร้าง
เทนเซอร์โฟลว์ :: ops :: Conv2D :: Attrs	ตัวตั้งค่าแอตทริบิวต์เพิ่มเติมสำหรับ Conv2D

คุณลักษณะสาธารณะ

การดำเนินการ

Operation operation

เอาท์พุท

::tensorflow::Output output

งานสาธารณะ

Conv2D

 Conv2D(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input filter,
  const gtl::ArraySlice< int > & strides,
  StringPiece padding
)

Conv2D

 Conv2D(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  ::tensorflow::Input filter,
  const gtl::ArraySlice< int > & strides,
  StringPiece padding,
  const Conv2D::Attrs & attrs
)

โหนด

::tensorflow::Node * node() const 

ตัวดำเนินการ::tensorflow::อินพุต

 operator::tensorflow::Input() const 

ตัวดำเนินการ::tensorflow::เอาต์พุต

 operator::tensorflow::Output() const 

ฟังก์ชันคงที่สาธารณะ

รูปแบบข้อมูล

Attrs DataFormat(
  StringPiece x
)

การขยาย

Attrs Dilations(
  const gtl::ArraySlice< int > & x
)

Paddings ที่ชัดเจน

Attrs ExplicitPaddings(
  const gtl::ArraySlice< int > & x
)

ใช้ CudnnOnGpu

Attrs UseCudnnOnGpu(
  bool x
)