Python tf.compat.v1.nn.dilation2d用法及代码示例

计算 4-D input 和 3-D filter 张量的灰度膨胀。

用法

tf.compat.v1.nn.dilation2d(
    input, filter=None, strides=None, rates=None, padding=None, name=None,
    filters=None, dilations=None
)

参数

input 一个Tensor。必须是以下类型之一：float32 , float64 , int32 , uint8 , int16 , int8 , int64 , bfloat16 , uint16 , half , uint32 , uint64。 4-D 形状 [batch, in_height, in_width, depth] 。
filter 一个Tensor。必须与 input 具有相同的类型。 3-D 形状 [filter_height, filter_width, depth] 。
strides 长度为 >= 4 的 ints 列表。输入张量的每个维度的滑动窗口的步幅。必须是：[1, stride_height, stride_width, 1]。
rates 长度为 >= 4 的 ints 列表。 atrous 形态扩张的输入步幅。必须是：[1, rate_height, rate_width, 1]。
padding string 来自："SAME", "VALID"。要使用的填充算法的类型。
name 操作的名称(可选)。

一个Tensor。具有与 input 相同的类型。

input 张量的形状为 [batch, in_height, in_width, depth] 而 filter 张量的形状为 [filter_height, filter_width, depth] ，即每个输入通道独立于其他输入通道进行处理，并具有自己的结构化函数。 output 张量的形状为 [batch, out_height, out_width, depth] 。输出张量的空间维度取决于padding 算法。我们目前只支持默认的 "NHWC" data_format 。

详细地说，灰度形态二维膨胀是 max-sum 相关性(为了与 conv2d 保持一致，我们使用非镜像过滤器)：

output[b, y, x, c] =
   max_{dy, dx} input[b,
                      strides[1] * y + rates[1] * dy,
                      strides[2] * x + rates[2] * dx,
                      c] +
                filter[dy, dx, c]

Max-pooling 是过滤器的大小等于池化内核大小并且包含全零时的一种特殊情况。

关于对偶性的注意事项：filter 对input 的膨胀等于反射filter 对-input 的侵蚀的否定。

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.compat.v1.nn.dilation2d。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