جریان تنسور:: عملیات:: Conv2D

#include <nn_ops.h>

یک کانولوشن دو بعدی را با توجه به تانسورهای input و filter 4 بعدی محاسبه می کند.

خلاصه

با توجه به یک تانسور ورودی شکل [batch, in_height, in_width, in_channels] و یک فیلتر / تانسور هسته شکل [filter_height, filter_width, in_channels, out_channels] ، این عملیات موارد زیر را انجام می‌دهد:

  1. فیلتر را به یک ماتریس دوبعدی با شکل [filter_height * filter_width * in_channels, output_channels] مسطح می کند.
  2. وصله های تصویر را از تانسور ورودی استخراج می کند تا یک تانسور مجازی شکل [batch, out_height, out_width, filter_height * filter_width * in_channels] ایجاد کند.
  3. برای هر پچ، ماتریس فیلتر و بردار وصله تصویر را به صورت راست ضرب می کند.

در جزئیات، با فرمت پیش‌فرض NHWC،

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]

باید strides[0] = strides[3] = 1 . برای رایج ترین حالت گام های افقی و رئوس یکسان، strides = [1, stride, stride, 1] .

استدلال ها:

  • scope: یک شی Scope
  • ورودی: یک تانسور 4 بعدی. ترتیب ابعاد با توجه به مقدار data_format تفسیر می شود، برای جزئیات به زیر مراجعه کنید.
  • فیلتر: یک تانسور 4 بعدی شکل [filter_height, filter_width, in_channels, out_channels]
  • گام ها: تانسور 1 بعدی به طول 4. گام پنجره کشویی برای هر بعد input . ترتیب ابعاد با مقدار data_format تعیین می شود، برای جزئیات به زیر مراجعه کنید.
  • padding: نوع الگوریتم padding مورد استفاده.

ویژگی های اختیاری (به Attrs مراجعه کنید):

  • explicit_paddings: اگر padding "EXPLICIT" باشد، فهرست مقادیر صریح padding. برای بعد ith، مقدار padding درج شده قبل و بعد از بعد به ترتیب explicit_paddings[2 * i] و explicit_paddings[2 * i + 1] است. اگر padding "EXPLICIT" نیست، explicit_paddings باید خالی باشد.
  • data_format: فرمت داده داده های ورودی و خروجی را مشخص کنید. با فرمت پیش فرض "NHWC"، داده ها به ترتیب زیر ذخیره می شوند: [دسته، ارتفاع، عرض، کانال]. از طرف دیگر، قالب می تواند "NCHW" باشد، ترتیب ذخیره سازی داده ها: [دسته، کانال، ارتفاع، عرض].
  • اتساع: تانسور 1 بعدی به طول 4. ضریب اتساع برای هر بعد input . اگر روی k> 1 تنظیم شود، بین هر عنصر فیلتر در آن بعد، سلول های k-1 پرش شده وجود خواهد داشت. ترتیب ابعاد با مقدار data_format تعیین می شود، برای جزئیات بیشتر به بالا مراجعه کنید. اتساع در ابعاد دسته ای و عمقی باید 1 باشد.

برمی گرداند:

  • Output : یک تانسور 4 بعدی. ترتیب ابعاد با مقدار data_format تعیین می شود، برای جزئیات به زیر مراجعه کنید.

سازندگان و ویرانگرها

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)

صفات عمومی

operation
output

توابع عمومی

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

توابع استاتیک عمومی

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

سازه ها

tensorflow:: ops:: Conv2D:: Attrs

تنظیم کننده های ویژگی اختیاری برای Conv2D .

صفات عمومی

عملیات 

Operation operation

خروجی 

::tensorflow::Output output

توابع عمومی

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
)

گره 

::tensorflow::Node * node() const

عملگر::tensorflow::ورودی 

 operator::tensorflow::Input() const

عملگر::tensorflow::خروجی 

 operator::tensorflow::Output() const

توابع استاتیک عمومی

DataFormat 

Attrs DataFormat(
  StringPiece x
)

اتساع ها 

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

Explicit Paddings 

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

ازCudnnOnGpu استفاده کنید 

Attrs UseCudnnOnGpu(
  bool x
)