Python tf.compat.v1.space_to_depth用法及代碼示例

T 類型張量的 SpaceToDepth。

用法

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

將空間數據塊重新排列到深度。更具體地說，此操作輸出輸入張量的副本，其中來自 height 和 width 維度的值被移動到 depth 維度。 attr block_size 表示輸入塊大小。

• 大小為block_size x block size 的非重疊塊在每個位置重新排列為深度。
• 輸出張量的深度是 block_size * block_size * input_depth 。
• 輸入的每個塊內的 Y、X 坐標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_format attr 使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, 4 ]

將操作視為轉換 6-D 張量很有用。例如對於data_format = NHWC，輸入張量中的每個元素可以通過 6 個坐標指定，按內存布局重要性遞減順序排列為：n,oY,bY,oX,bX,iC(其中 n=batch index，oX，oY 表示輸出圖像內的 X 或 Y 坐標，bX，bY 表示輸入塊內的坐標，iC 表示輸入通道)。輸出將轉置為以下布局：n,oY,oX,bY,bX,iC

此操作對於調整卷積之間的激活大小(但保留所有數據)很有用，例如而不是池化。它對於訓練純卷積模型也很有用。

例如，給定形狀為 [1, 2, 2, 1] 的輸入，data_format = "NHWC" 和 block_size = 2：

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

此操作將輸出形狀為 [1, 1, 1, 4] 的張量：

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

這裏，輸入有一個批次 1，每個批次元素的形狀為 [2, 2, 1] ，對應的輸出將有一個元素(即寬度和高度均為 1)，並且深度為 4 個通道(1 * block_size * block_size)。輸出元素形狀為 [1, 1, 4] 。

對於深度較大的輸入張量，這裏的形狀為 [1, 2, 2, 3] ，例如

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

對於block_size of 2，此操作將返回以下形狀為 [1, 1, 1, 12] 的張量

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

同樣，對於以下形狀 [1 4 4 1] 的輸入，塊大小為 2：

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

運算符將返回以下形狀的張量 [1 2 2 4] ：

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