tf.space_to_batch

SpaceToBatch для N-мерных тензоров типа T.

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

Эта операция разделяет «пространственные» измерения [1, ..., M] входных данных на сетку блоков формы block_shape и чередует эти блоки с измерением «пакета» (0) таким образом, что в выходных данных пространственные измерения [1, ..., M] соответствуют позиции внутри сетки, а измерение пакета объединяет как позицию внутри пространственного блока, так и исходную позицию в пакете. Перед разделением на блоки пространственные измерения входных данных могут быть дополнены нулями в соответствии с paddings. Подробное описание приведено ниже.

Эта операция эквивалентна следующим шагам:

1. Дополнить нулями начало и конец измерений [1, ..., M] входных данных в соответствии с paddings для получения padded формы padded_shape.

2. Изменить форму padded на reshaped_padded формы:

   [batch] + [padded_shape[1] / block_shape[0], block_shape[0], ..., padded_shape[M] / block_shape[M-1], block_shape[M-1]] + remaining_shape

3. Переставить измерения reshaped_padded для получения permuted_reshaped_padded формы:

   block_shape + [batch] + [padded_shape[1] / block_shape[0], ..., padded_shape[M] / block_shape[M-1]] + remaining_shape

4. Изменить форму permuted_reshaped_padded для объединения block_shape в измерение пакета, создавая выходной тензор формы:

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

Несколько примеров:

(1) Для следующих входных данных формы [1, 2, 2, 1], block_shape = [2, 2] и paddings = [[0, 0], [0, 0]]:

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

Выходной тензор имеет форму [4, 1, 1, 1] и значение:

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

(2) Для следующих входных данных формы [1, 2, 2, 3], block_shape = [2, 2] и paddings = [[0, 0], [0, 0]]:

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

Выходной тензор имеет форму [4, 1, 1, 3] и значение:

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

(3) Для следующих входных данных формы [1, 4, 4, 1], block_shape = [2, 2] и paddings = [[0, 0], [0, 0]]:

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

Выходной тензор имеет форму [4, 2, 2, 1] и значение:

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

(4) Для следующих входных данных формы [2, 2, 4, 1], block_shape = [2, 2] и paddings = [[0, 0], [2, 0]]:

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

Выходной тензор имеет форму [8, 1, 3, 1] и значение:

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]]]]

Помимо прочего, эта операция полезна для сведения расширенной свёртки (atrous convolution) к обычной свёртке.