tensoreflusso:: ops:: Profondità allo spazio

#include <array_ops.h>

DepthToSpace per tensori di tipo T.

Riepilogo

Riorganizza i dati dalla profondità in blocchi di dati spaziali. Questa è la trasformazione inversa di SpaceToDepth. Più specificamente, questa operazione restituisce una copia del tensore di input in cui i valori dalla dimensione depth vengono spostati in blocchi spaziali alle dimensioni height e width . L'attributo block_size indica la dimensione del blocco di input e il modo in cui i dati vengono spostati.

  • Blocchi di dati di dimensione block_size * block_size dalla profondità vengono riorganizzati in blocchi non sovrapposti di dimensione block_size x block_size
  • La larghezza del tensore di output è input_depth * block_size , mentre l'altezza è input_height * block_size .
  • Le coordinate Y, X all'interno di ciascun blocco dell'immagine di uscita sono determinate dalla componente di ordine elevato dell'indice del canale di ingresso.
  • La profondità del tensore di input deve essere divisibile per block_size * block_size .

L'attributo data_format specifica il layout dei tensori di input e output con le seguenti opzioni: "NHWC": [ batch, height, width, channels ] "NCHW": [ batch, channels, height, width ] "NCHW_VECT_C": qint8 [ batch, channels / 4, height, width, 4 ]

È utile considerare l'operazione come la trasformazione di un tensore 6-D. ad esempio, per data_format = NHWC, ogni elemento nel tensore di input può essere specificato tramite 6 coordinate, ordinate in base al significato decrescente del layout della memoria come: n,iY,iX,bY,bX,oC (dove n=indice batch, iX, iY significa X o coordinate Y all'interno dell'immagine di ingresso, bX, bY significa coordinate all'interno del blocco di uscita, oC significa canali di uscita). L'output sarebbe l'input trasposto nel seguente layout: n,iY,bY,iX,bX,oC

Questa operazione è utile per ridimensionare le attivazioni tra le convoluzioni (ma mantenendo tutti i dati), ad esempio invece del pooling. È utile anche per addestrare modelli puramente convoluzionali.

Ad esempio, dato un input di forma [1, 1, 1, 4] , data_format = "NHWC" e block_size = 2: 

x = [[[[1, 2, 3, 4]]]]

  

  
This operation will output a tensor of shape [1, 2, 2, 1]:

  

    
 Qui, l'input ha un batch di 1 e ogni elemento batch ha forma [1, 1, 4] , l'output corrispondente avrà 2x2 elementi e avrà una profondità di 1 canale (1 = 4 / (block_size * block_size) ). La forma dell'elemento di output è [2, 2, 1] .
 Per un tensore di input con profondità maggiore, qui di forma [1, 1, 1, 12] , ad esempio
 
 Questa operazione, per blocchi di dimensione pari a 2, restituirà il seguente tensore di forma [1, 2, 2, 3]