Python tf.space_to_batch_nd用法及代码示例

N-D T 类型张量的 SpaceToBatch。

用法

tf.space_to_batch_nd(
    input, block_shape, paddings, name=None
)

此操作将输入的 "spatial" 维度 [1, ..., M] 划分为形状为 block_shape 的块网格，并将这些块与 "batch" 维度 (0) 交错，以便在输出中，空间维度 [1, ..., M] 对应到网格内的位置，批次维度结合了空间块内的位置和原始批次位置。在划分成块之前，根据paddings，输入的空间维度可选地补零。请参阅下面的详细说明。

此操作等效于以下步骤：

1. Zero-pad 输入的开始和结束维度[1, ..., M] 根据paddings 生成形状padded_shape 的padded。

2. 将 padded 重塑为 reshaped_padded 的形状：

   [批次] + [padded_shape[1] /block_shape[0], block_shape[0], ..., padded_shape[M] /block_shape[M-1], block_shape[M-1]] + remaining_shape

3. 置换reshaped_padded 的尺寸以产生形状permuted_reshaped_padded：

   block_shape + [batch] + [padded_shape[1] /block_shape[0], ..., padded_shape[M] /block_shape[M-1]] + remaining_shape

4. 重塑 permuted_reshaped_padded 以将 block_shape 展平为批处理维度，生成形状的输出张量：

   [batch * prod(block_shape)] + [padded_shape[1] /block_shape[0], ..., padded_shape[M] /block_shape[M-1]] + remaining_shape

一些例子：

(1) 对于以下形状 [1, 2, 2, 1] , block_shape = [2, 2] 和 paddings = [[0, 0], [0, 0]] 的输入：

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

输出张量的形状为 [4, 1, 1, 1] 和值：

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

(2) 对于以下形状 [1, 2, 2, 3] , block_shape = [2, 2] 和 paddings = [[0, 0], [0, 0]] 的输入：

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

输出张量的形状为 [4, 1, 1, 3] 和值：

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

(3) 对于以下形状 [1, 4, 4, 1] , block_shape = [2, 2] 和 paddings = [[0, 0], [0, 0]] 的输入：

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

输出张量的形状为 [4, 2, 2, 1] 和值：

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

(4) 对于形状 [2, 2, 4, 1] 、 block_shape = [2, 2] 和 paddings = [[0, 0], [2, 0]] 的以下输入：

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

输出张量的形状为 [8, 1, 3, 1] 和值：

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]]]]

除其他外，此操作对于将多孔卷积减少为常规卷积很有用。