Python tf.batch_to_space用法及代码示例

N-D T 类型张量的 BatchToSpace。

用法

tf.batch_to_space(
    input, block_shape, crops, name=None
)

参数

input 具有形状 input_shape = [batch] + spatial_shape + remaining_shape 的 N-D Tensor ，其中 spatial_shape 具有 M 维。
block_shape 形状为 [M] 的一维 Tensor。必须是以下类型之一：int32 , int64。所有值都必须 >= 1。为了与 TF 1.0 向后兼容，此参数可能是 int，在这种情况下，它会转换为 numpy.array([block_shape, block_shape], dtype=numpy.int64) 。
crops
二维Tensor有形状[M, 2].必须是以下类型之一：int32,int64.所有值必须 >= 0。crops[i] = [crop_start, crop_end]指定从输入维度裁剪的数量i + 1, 对应于空间维度i.要求crop_start[i] + crop_end[i] <= block_shape[i] * input_shape[i + 1].此操作等效于以下步骤：
1. 将 input 重塑为 reshaped of shape:[block_shape[0], ..., block_shape[M-1], batch /prod(block_shape), input_shape[1], ..., input_shape[N-1] ]
2. 置换 reshaped 的尺寸以产生形状为 [batch /prod(block_shape), input_shape[1], block_shape[0], ..., input_shape[M], block_shape[M-1], input_shape[M] 的 permuted +1], ..., input_shape[N-1]]
3. 重塑 permuted 以生成形状为 reshaped_permuted [batch /prod(block_shape), input_shape[1] * block_shape[0], ..., input_shape[M] * block_shape[M-1], input_shape[M+1 ], ..., input_shape[N-1]]
4. 根据crops裁剪reshaped_permuted的维度[1, ..., M]的开始和结束以产生shape的输出：[batch /prod(block_shape), input_shape[1] * block_shape[0] - crop[0,0] - crop[0,1], ..., input_shape[M] * block_shape[M-1] - crop[M-1,0] - crop[M-1,1], input_shape[M+1], . ..，输入形状[N-1]]
name 操作的名称(可选)。

一个Tensor。具有与 input 相同的类型。

此操作将 "batch" 维度 0 重塑为形状 block_shape + [batch] 的 M + 1 维度，将这些块交错回到由空间维度 [1, ..., M] 定义的网格中，以获得与输入具有相同等级的结果。然后根据crops 选择性地裁剪此中间结果的空间维度以生成输出。这是 SpaceToBatch 的反面(参见 tf.space_to_batch )。

例子：

对于以下形状 [4, 1, 1, 1] , block_shape = [2, 2] 和 crops = [[0, 0], [0, 0]] 的输入：
```
[[[[1]]],
 [[[2]]],
 [[[3]]],
 [[[4]]]]
```
输出张量的形状为 [1, 2, 2, 1] 和值：
```
x = [[[[1], [2]],
    [[3], [4]]]]
```
对于以下形状 [4, 1, 1, 3] , block_shape = [2, 2] 和 crops = [[0, 0], [0, 0]] 的输入：
```
[[[1,  2,   3]],
 [[4,  5,   6]],
 [[7,  8,   9]],
 [[10, 11, 12]]]
```
输出张量的形状为 [1, 2, 2, 3] 和值：
```
x = [[[[1, 2, 3], [4,  5,  6 ]],
      [[7, 8, 9], [10, 11, 12]]]]
```

对于以下形状 [4, 2, 2, 1] , block_shape = [2, 2] 和 crops = [[0, 0], [0, 0]] 的输入：

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

输出张量的形状为 [1, 4, 4, 1] 和值：

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

对于以下形状 [8, 1, 3, 1] , block_shape = [2, 2] 和 crops = [[0, 0], [2, 0]] 的输入：

x = [[[[0], [ 1], [ 3]]],
     [[[0], [ 9], [11]]],
     [[[0], [ 2], [ 4]]],
     [[[0], [10], [12]]],
     [[[0], [ 5], [ 7]]],
     [[[0], [13], [15]]],
     [[[0], [ 6], [ 8]]],
     [[[0], [14], [16]]]]

输出张量的形状为 [2, 2, 4, 1] 和值：

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

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.batch_to_space。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法

参数

返回

例子：