جریان تنسور:: عملیات:: LRN

#include <nn_ops.h>

عادی سازی پاسخ محلی

خلاصه

تانسور input 4 بعدی به عنوان یک آرایه سه بعدی از بردارهای 1 بعدی (در امتداد آخرین بعد) در نظر گرفته می شود و هر بردار به طور مستقل نرمال می شود. در یک بردار معین، هر مولفه بر مجموع وزنی و مجذور ورودی‌ها در depth_radius تقسیم می‌شود. به تفصیل،

sqr_sum[a, b, c, d] =
    sum(input[a, b, c, d - depth_radius : d + depth_radius + 1] ** 2)
output = input / (bias + alpha * sqr_sum) ** beta

برای جزئیات، کریژفسکی و همکاران، طبقه بندی ImageNet با شبکه های عصبی کانولوشن عمیق (NIPS 2012) را ببینید.

استدلال ها:

  • scope: یک شی Scope
  • ورودی: 4 بعدی

ویژگی های اختیاری (به Attrs مراجعه کنید):

  • عمق_شعاع: 0-D. نصف عرض پنجره عادی سازی 1 بعدی.
  • سوگیری: یک افست (معمولا مثبت برای جلوگیری از تقسیم بر 0).
  • آلفا: یک عامل مقیاس، معمولا مثبت.
  • بتا: یک توان.

برمی گرداند:

  • Output : تانسور خروجی.

سازندگان و تخریب کنندگان

LRN (const :: tensorflow::Scope & scope, :: tensorflow::Input input)
LRN (const :: tensorflow::Scope & scope, :: tensorflow::Input input, const LRN::Attrs & attrs)

صفات عمومی

operation
output

توابع عمومی

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

توابع استاتیک عمومی

Alpha (float x)
Beta (float x)
Bias (float x)
DepthRadius (int64 x)

سازه ها

tensorflow:: ops:: LRN:: Attrs

تنظیم کننده های ویژگی اختیاری برای LRN .

صفات عمومی

عملیات 

Operation operation

خروجی 

::tensorflow::Output output

توابع عمومی

LRN 

 LRN(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input
)

LRN 

 LRN(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input input,
  const LRN::Attrs & attrs
)

گره 

::tensorflow::Node * node() const

عملگر::tensorflow::ورودی 

 operator::tensorflow::Input() const

عملگر::tensorflow::خروجی 

 operator::tensorflow::Output() const

توابع استاتیک عمومی

آلفا 

Attrs Alpha(
  float x
)

بتا 

Attrs Beta(
  float x
)

تعصب 

Attrs Bias(
  float x
)

عمق رادیوس 

Attrs DepthRadius(
  int64 x
)