tf.nn.convolution

Вычисляет суммы N-мерных свёрток (фактически — перекрёстную корреляцию).

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

Используется в блокнотах

Также поддерживается выполнение шага выходных данных с помощью необязательного параметра strides или атрусная свёртка (также известная как свёртка с отверстиями или дилатированная свёртка; название происходит от французского слова «trous», означающего «отверстия» по-английски) с помощью необязательного параметра dilations. Однако в настоящее время шаг выходных данных не поддерживается для атрусных свёрток.

В частности, если data_format не начинается с «NC», то для тензора ранга (N+2) input формы

[num_batches, input_spatial_shape[0], ..., input_spatial_shape[N-1], num_input_channels],

тензора ранга (N+2) filters формы

[spatial_filter_shape[0], ..., spatial_filter_shape[N-1], num_input_channels, num_output_channels],

необязательного тензора dilations формы N (по умолчанию [1]*N), задающего коэффициент повышения дискретизации фильтра/понижения дискретизации входных данных, и необязательного списка из N значений strides (по умолчанию [1]*N), для каждой пространственной позиции N-мерного выхода (x[0], ..., x[N-1]) вычисляется:

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 выходного канала, q — номер входного канала, а z — N-мерное пространственное смещение внутри фильтра. Здесь padded_input получается дополнением входных данных нулями с использованием эффективной пространственной формы фильтра (spatial_filter_shape-1) * dilation_rate + 1 и шага выходных данных strides.

Если data_format начинается с "NC", то input и выходные данные (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 выполнялось условие 1 <= N <= 3.

`[batch_size] + output_spatial_shape + [out_channels]`

`[batch_size, out_channels] + output_spatial_shape`