SpaceToDepth

bookmark_border קל לארגן דפים בעזרת אוספים אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.

SpaceToDepth עבור טנסורים מסוג T.

מסדר מחדש בלוקים של נתונים מרחביים, לעומק. ליתר דיוק, אופציה זו מוציאה עותק של טנסור הקלט שבו ערכים מממדים 'גובה' ו'רוחב' מועברים לממד 'עומק'. ה-attr `block_size` מציין את גודל בלוק הקלט.

* בלוקים שאינם חופפים בגודל `block_size x block size` מסודרים מחדש לעומק בכל מיקום. * העומק של טנסור הפלט הוא `גודל_block *גודל_חסימה *עומק_כניסה`. * קואורדינטות Y, X בתוך כל בלוק של הקלט הופכות לרכיב הסדר הגבוה של אינדקס ערוץ הפלט. * הגובה והרוחב של טנסור הקלט חייבים להיות מתחלקים ב-block_size.

ה-`data_format` attr מציין את הפריסה של טנסור הקלט והפלט עם האפשרויות הבאות: "NHWC": `[ batch, height, width, channels ]` "NCHW": `[ batch, channels, height, width ]` " NCHW_VECT_C": `qint8 [ אצווה, ערוצים / 4, גובה, רוחב, 4 ]`

כדאי לשקול את הפעולה כהפיכת טנזור 6-D. למשל עבור data_format = NHWC, ניתן לציין כל אלמנט בטנזור הקלט באמצעות 6 קואורדינטות, מסודרות לפי הפחתת משמעות פריסת הזיכרון כמו: n,oY,bY,oX,bX,iC (כאשר n=אינדקס אצווה, oX, oY פירושו X או קואורדינטות Y בתוך תמונת הפלט, bX, byY פירושו קואורדינטות בתוך בלוק הקלט, iC פירושו ערוצי קלט). הפלט יהיה טרנספוזיציה לפריסה הבאה: n,oY,oX,bY,bX,iC

פעולה זו שימושית לשינוי גודל ההפעלה בין פיתולים (אך שמירה על כל הנתונים), למשל במקום איגום. זה שימושי גם לאימון מודלים קונבולוציוניים בלבד.

לדוגמה, בהינתן קלט של צורה `[1, 2, 2, 1]`, data_format = "NHWC" ו-block_size = 2:

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

[[[[1, 2, 3, 4]]]]
 

עבור טנזור קלט עם עומק גדול יותר, כאן של צורה `[1, 2, 2, 3]`, למשל

x = [[[[1, 2, 3], [4, 5, 6]],
       [[7, 8, 9], [10, 11, 12]]]]
 

[[[[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]]]]
 

x = [[[[1],   [2],  [5],  [6]],
       [[3],   [4],  [7],  [8]],
       [[9],  [10], [13],  [14]],
       [[11], [12], [15],  [16]]]]
 

x = [[[[1, 2, 3, 4],
        [5, 6, 7, 8]],
       [[9, 10, 11, 12],
        [13, 14, 15, 16]]]]