Python tf.space_to_batch用法及代碼示例

N-D T 類型張量的 SpaceToBatch。

用法

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

此操作將輸入的 "spatial" 維度 [1, ..., M] 劃分為形狀為 block_shape 的塊網格，並將這些塊與 "batch" 維度 (0) 交錯，以便在輸出中，空間維度 [1, ..., M] 對應到網格內的位置，批次維度結合了空間塊內的位置和原始批次位置。在劃分成塊之前，根據paddings，輸入的空間維度可選地補零。請參閱下麵的詳細說明。

此操作等效於以下步驟：

1. Zero-pad 輸入的開始和結束維度[1, ..., M] 根據paddings 生成形狀padded_shape 的padded。

2. 將 padded 重塑為 reshaped_padded 的形狀：

   [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. 置換reshaped_padded 的尺寸以產生形狀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 以將 block_shape 展平為批處理維度，生成形狀的輸出張量：

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

一些例子：

(1) 對於以下形狀 [1, 2, 2, 1] , block_shape = [2, 2] 和 paddings = [[0, 0], [0, 0]] 的輸入：

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

輸出張量的形狀為 [4, 1, 1, 1] 和值：

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

(2) 對於以下形狀 [1, 2, 2, 3] , block_shape = [2, 2] 和 paddings = [[0, 0], [0, 0]] 的輸入：

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

輸出張量的形狀為 [4, 1, 1, 3] 和值：

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

(3) 對於以下形狀 [1, 4, 4, 1] , block_shape = [2, 2] 和 paddings = [[0, 0], [0, 0]] 的輸入：

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

輸出張量的形狀為 [4, 2, 2, 1] 和值：

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

(4) 對於形狀 [2, 2, 4, 1] 、 block_shape = [2, 2] 和 paddings = [[0, 0], [2, 0]] 的以下輸入：

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

輸出張量的形狀為 [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，此操作對於將多孔卷積減少為常規卷積很有用。