tf.nn.convolution

Вычисляет суммы N-мерных свёртки (фактически кросс-корреляции).

tf.nn.convolution(
    input,
    filters,
    strides=None,
    padding='VALID',
    data_format=None,
    dilations=None,
    name=None
)

Используется в блокнотах

Это также поддерживает либо строку вывода с помощью необязательного параметра strides, либо атроусную свёртку (также известную как свёртка с отверстиями или расширенная свёртка, на основе французского слова «trous», означающего отверстия на английском языке) с помощью необязательного параметра dilations. Однако в настоящее время строка вывода не поддерживается для атроусных свёрток.

Конкретно, в случае, если data_format не начинается с "NC", для тензора ранга (N+2) input формы

[число_пакетов, пространственная_форма_входа[0], ..., пространственная_форма_входа[N-1], число_каналов_входа],

тензора ранга (N+2) filters формы

[форма_пространственного_фильтра[0], ..., форма_пространственного_фильтра[N-1], число_каналов_входа, число_каналов_выхода],

необязательного тензора dilations формы N (по умолчанию [1]*N), задающего скорость увеличения/уменьшения размера фильтра, и необязательного списка из N strides (по умолчанию [1]*N), это вычисляется для каждой N-мерной пространственной позиции вывода (x[0], ..., x[N-1]):

output[b, x[0], ..., x[N-1], k] =
    sum_{z[0], ..., z[N-1], q}
        filter[z[0], ..., z[N-1], q, k] *
        padded_input[b,
                     x[0]*strides[0] + dilation_rate[0]*z[0],
                     ...,
                     x[N-1]*strides[N-1] + dilation_rate[N-1]*z[N-1],
                     q]

где b — индекс в пакете, k — номер канала вывода, q — номер канала входа, а z — N-мерное пространственное смещение внутри фильтра. Здесь padded_input получается путём заполнения нулями входных данных с эффективной формой пространственного фильтра (spatial_filter_shape-1) * dilation_rate + 1 и шагом вывода strides.

В случае, если data_format начинается с "NC", input и выход (но не filters) просто транспонируются следующим образом:

convolution(input, data_format, **kwargs) =
  tf.transpose(convolution(tf.transpose(input, [0] + range(2,N+2) + [1]),
                           **kwargs),
               [0, N+1] + range(1, N+1))

Требуется, чтобы 1 <= N <= 3.

`[batch_size] + output_spatial_shape + [out_channels]`

`[batch_size, out_channels] + output_spatial_shape`