TensorFlow：tf.space_to_depth函數(shù)

tf.space_to_depth 函數(shù)

space_to_depth(
    input,
    block_size,
    name=None,
    data_format='NHWC'
)

定義在：tensorflow/python/ops/array_ops.py.

參見指南：張量變換>分割和連接

T型張量的SpaceToDepth.

重新排列空間數(shù)據(jù)塊,進(jìn)入深度.更具體地說,該操作會輸出輸入張量的副本,其中來自維height和width維的值將移至該depth維.attr block_size表示輸入塊大小.

• 不重疊的block_size乘block size大小的塊,在每個位置重新排列成深度.
• 輸出張量的深度是block_size * block_size * input_depth.
• 輸入的每個塊內(nèi)的Y、X坐標(biāo)成為輸出通道索引的高階分量.
• 輸入張量的高度和寬度必須能被block_size整除.

data_formatATTR用以下選項指定輸入和輸出張量的布局：“NHWC”：[ batch, height, width, channels ]；“NCHW”：[ batch, channels, height, width ]；“NCHW_VECT_C”：qint8 [ batch, channels / 4, height, width, channels % 4 ]

將操作視為轉(zhuǎn)換6維張量是有用的.例如,對于data_format = NHWC,可以通過6個坐標(biāo)指定輸入張量中的每個元素,按照減小的存儲器布局重要性排序為：n,oY,bY,oX,bX,iC(其中n =批索引,oX,oY表示X或輸出圖像中的Y坐標(biāo),bX,bY表示輸入塊內(nèi)的坐標(biāo),iC表示輸入通道).輸出將是以下布局的轉(zhuǎn)置：n,oY,oX,bY,bX,iC

這個操作對調(diào)整卷積之間的激活(但保留所有數(shù)據(jù))是有用的,例如,而不是池.這對純粹卷積模型的訓(xùn)練也很有用.

例如,給定一個形狀的輸入[1, 2, 2, 1],data_format =“NHWC”和block_size = 2：

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

這個操作會輸出一個形狀為[1, 1, 1, 4]的張量：

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

在這里,輸入的批量為1,每個批量元素都有形狀[2, 2, 1],相應(yīng)的輸出將有一個單一的元素(即寬度和高度均為1),并且將具有4個通道(1 * block_size * block_size)的深度.輸出元素的形狀是[1, 1, 4].

對于一個深度較大的輸入張量,這里的形狀[1, 2, 2, 3],例如：

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

這個操作,對于2的block_size,將返回下面的形狀為[1, 1, 1, 12]的張量：

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

同樣,對于以下輸入的形狀[1 4 4 1],塊大小為2：

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

操作將返回下面形狀為[1 2 2 4]的張量：

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

函數(shù)參數(shù)

• input：一個Tensor.
• block_size：一個>=2的int,表示空間塊的大小.
• data_format：可選的string,來自："NHWC", "NCHW", "NCHW_VECT_C"；默認(rèn)為"NHWC".
• name：操作的名稱(可選).

函數(shù)返回

tf.space_to_depth函數(shù)返回Tensor,它與input具有相同的類型.