Python tf.nn.depth_to_space用法及代碼示例

DepthToSpace 用於 T 類型的張量。

用法

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

將數據從深度重新排列到空間數據塊中。這是 SpaceToDepth 的逆向變換。更具體地說，此操作輸出輸入張量的副本，其中來自 depth 維度的值在空間塊中移動到 height 和 width 維度。 attr block_size 指示輸入塊大小以及數據的移動方式。

• 來自深度的大小為 block_size * block_size 的數據塊被重新排列為大小為 block_size x block_size 的非重疊塊
• 輸出張量的寬度是 input_depth * block_size ，而高度是 input_height * block_size 。
• 輸出圖像的每個塊內的 Y、X 坐標由輸入通道索引的高階分量確定。
• 輸入張量的深度必須能被 block_size * 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都可以通過 6 個坐標指定，按內存布局重要性遞減順序排列為：n,iY,iX,bY,bX,oC(其中 n=batch index,iX,iY 表示輸入圖像內的 X 或 Y 坐標，bX，bY 表示輸出塊內的坐標，oC 表示輸出通道)。輸出將是轉換為以下布局的輸入：n,iY,bY,iX,bX,oC

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, 1, 1, 4] 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, 2, 2, 1] 的張量：

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

在這裏，輸入有一個批次 1，每個批次元素的形狀為 [1, 1, 4] ，相應的輸出將有 2x2 個元素，並且深度為 1 個通道(1 = 4 / (block_size * block_size) )。輸出元素形狀為 [2, 2, 1] 。

對於深度較大的輸入張量，這裏的形狀為 [1, 1, 1, 12] ，例如

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

對於塊大小為 2，此操作將返回以下形狀的張量 [1, 2, 2, 3]

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

同樣，對於以下形狀 [1 2 2 4] 的輸入，塊大小為 2：

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

運算符將返回以下形狀的張量 [1 4 4 1] ：

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