Python tf.compat.v1.depth_to_space用法及代码示例

DepthToSpace 用于 T 类型的张量。

用法

tf.compat.v1.depth_to_space(
    input, block_size, name=None, data_format='NHWC'
)

将数据从深度重新排列到空间数据块中。这是 SpaceToDepth 的逆向变换。更具体地说，此操作输出输入张量的副本，其中来自 depth 维度的值在空间块中移动到 height 和 width 维度。 attr block_size 指示输入块大小以及数据的移动方式。

• 来自深度的大小为 block_size * block_size 的数据块被重新排列为大小为 block_size x block_size 的非重叠块
• 输出张量的宽度是 input_depth * block_size ，而高度是 input_height * block_size 。
• 输出图像的每个块内的 Y、X 坐标由输入通道索引的高阶分量确定。
• 输入张量的深度必须能被 block_size * block_size 整除。

data_format attr 使用以下选项指定输入和输出张量的布局： "NHWC": [ batch, height, width, channels ] "NCHW": [ batch, channels, height, width ] "NCHW_VECT_C": qint8 [ batch, channels / 4, height, width, 4 ]

将操作视为转换 6-D 张量很有用。例如对于data_format = NHWC，输入张量中的每个元素都可以通过 6 个坐标指定，按内存布局重要性递减顺序排列为：n,iY,iX,bY,bX,oC(其中 n=batch index,iX,iY 表示输入图像内的 X 或 Y 坐标，bX，bY 表示输出块内的坐标，oC 表示输出通道)。输出将是转换为以下布局的输入：n,iY,bY,iX,bX,oC

此操作对于调整卷积之间的激活大小(但保留所有数据)很有用，例如而不是池化。它对于训练纯卷积模型也很有用。

例如，给定形状为 [1, 1, 1, 4] 的输入，data_format = "NHWC" 和 block_size = 2：

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

此操作将输出形状为 [1, 2, 2, 1] 的张量：

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

在这里，输入有一个批次 1，每个批次元素的形状为 [1, 1, 4] ，相应的输出将有 2x2 个元素，并且深度为 1 个通道(1 = 4 / (block_size * block_size) )。输出元素形状为 [2, 2, 1] 。

对于深度较大的输入张量，这里的形状为 [1, 1, 1, 12] ，例如

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

对于块大小为 2，此操作将返回以下形状的张量 [1, 2, 2, 3]

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

同样，对于以下形状 [1 2 2 4] 的输入，块大小为 2：

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

运算符将返回以下形状的张量 [1 4 4 1] ：

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