tensorflow::ops::Conv2D

#include <nn_ops.h>

Menghitung konvolusi 2-D berdasarkan tensor input dan filter 4-D.

Ringkasan

Dengan diberikan tensor input berbentuk [batch, in_height, in_width, in_channels] dan tensor filter/kernel berbentuk [filter_height, filter_width, in_channels, out_channels] , operasi ini melakukan hal berikut:

  1. Meratakan filter menjadi matriks 2-D dengan bentuk [filter_height * filter_width * in_channels, output_channels] .
  2. Mengekstraksi potongan gambar dari tensor input untuk membentuk tensor virtual dengan bentuk [batch, out_height, out_width, filter_height * filter_width * in_channels] .
  3. Untuk setiap bagian gambar, matriks filter dan vektor bagian gambar dikalikan dari kanan.

Secara rinci, dengan format NHWC standar,

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]

Harus memiliki strides[0] = strides[3] = 1 . Untuk kasus paling umum dari strides horizontal dan verteks yang sama, strides = [1, stride, stride, 1] .

Argumen:

  • Cakupan: Objek Cakupan
  • Input: Tensor 4 dimensi. Urutan dimensi diinterpretasikan sesuai dengan nilai data_format , lihat detailnya di bawah.
  • filter: Tensor 4-D dengan bentuk [filter_height, filter_width, in_channels, out_channels]
  • strides: tensor 1-D dengan panjang 4. Langkah jendela geser untuk setiap dimensi input . Urutan dimensi ditentukan oleh nilai data_format , lihat detailnya di bawah.
  • padding: Jenis algoritma padding yang akan digunakan.

Atribut opsional (lihat Attrs ):

  • explicit_paddings: Jika padding adalah "EXPLICIT" , maka daftar jumlah padding eksplisit. Untuk dimensi ke-i, jumlah padding yang disisipkan sebelum dan sesudah dimensi adalah explicit_paddings[2 * i] dan explicit_paddings[2 * i + 1] , masing-masing. Jika padding bukan "EXPLICIT" , maka explicit_paddings harus kosong.
  • data_format: Tentukan format data input dan output. Dengan format default "NHWC", data disimpan dalam urutan: [batch, tinggi, lebar, saluran]. Atau, formatnya bisa "NCHW", urutan penyimpanan data: [batch, saluran, tinggi, lebar].
  • Dilasi: tensor 1-D dengan panjang 4. Faktor dilasi untuk setiap dimensi input . Jika diatur ke k > 1, akan ada k-1 sel yang dilewati di antara setiap elemen filter pada dimensi tersebut. Urutan dimensi ditentukan oleh nilai data_format , lihat detail di atas. Dilasi pada dimensi batch dan kedalaman harus 1.

Mengembalikan:

  • Output : Tensor 4 dimensi. Urutan dimensi ditentukan oleh nilai data_format , lihat detailnya di bawah.

Konstruktor dan Destruktor

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)

Atribut publik

operation
output

Fungsi publik

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

Fungsi statis publik

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

Struktur

tensorflow::ops::Conv2D::Attrs

Pengaturan atribut opsional untuk Conv2D .

Atribut publik

operasi 

Operation operation

keluaran 

::tensorflow::Output output

Fungsi publik

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
)

simpul 

::tensorflow::Node * node() const

operator::tensorflow::Input 

 operator::tensorflow::Input() const

operator::tensorflow::Output 

 operator::tensorflow::Output() const

Fungsi statis publik

Format Data 

Attrs DataFormat(
  StringPiece x
)

Dilasi 

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

Padding Eksplisit 

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

GunakanCudnnOnGpu 

Attrs UseCudnnOnGpu(
  bool x
)