tf.compat.v2.batch_to_space

BatchToSpace для N-мерных тензоров типа T.

tf.compat.v2.batch_to_space(
    input, block_shape, crops, name=None
)

Эта операция преобразует размерность "batch" 0 в M + 1 размерности формы block_shape + [batch], вставляет эти блоки обратно в сетку, определённую пространственными измерениями [1, ..., M], для получения результата с тем же рангом, что и входные данные. Пространственные измерения этого промежуточного результата затем могут быть обрезанны в соответствии с crops, чтобы получить результат. Это обратное преобразование к SpaceToBatch. Более точное описание приведено ниже.

Аргументы
`input`	A `Tensor`. N-мерная форма `input_shape = [batch] + spatial_shape + remaining_shape`, где spatial_shape имеет M измерений.
`block_shape`	A `Tensor`. Должен быть одним из следующих типов: `int32`, `int64`. 1-мерная форма `[M]`, все значения должны быть >= 1. Для обратной совместимости с TF 1.0, этот параметр может быть целым числом, в этом случае он преобразуется в `numpy.array([block_shape, block_shape], dtype=numpy.int64)`.
`crops`	A `Tensor`. Должен быть одним из следующих типов: `int32`, `int64`. 2-мерная форма `[M, 2]`, все значения должны быть >= 0. `crops[i] = [crop_start, crop_end]` указывает количество обрезки для измерения входных данных `i + 1`, что соответствует пространственному измерению `i`. Требуется, чтобы `crop_start[i] + crop_end[i] <= block_shape[i] * input_shape[i + 1]`. Эта операция эквивалентна следующим шагам: Преобразовать `input` в `reshaped` формы: [block_shape[0], ..., block_shape[M-1], batch / prod(block_shape), input_shape[1], ..., input_shape[N-1]] 2. Переупорядочить размерности `reshaped` для получения `permuted` формы [batch / prod(block_shape), input_shape[1], block_shape[0], ..., input_shape[M], block_shape[M-1], input_shape[M+1], ..., input_shape[N-1]] 3. Преобразовать `permuted` в `reshaped_permuted` формы [batch / prod(block_shape), input_shape[1] * block_shape[0], ..., input_shape[M] * block_shape[M-1], input_shape[M+1], ..., input_shape[N-1]] 4. Обрезать начало и конец измерений `[1, ..., M]` `reshaped_permuted` в соответствии с `crops` для получения результата формы: [batch / prod(block_shape), input_shape[1] * block_shape[0] - crops[0,0] - crops[0,1], ..., input_shape[M] * block_shape[M-1] - crops[M-1,0] - crops[M-1,1], input_shape[M+1], ..., input_shape[N-1]] Некоторые примеры: (1) Для следующего входа формы `[4, 1, 1, 1]`, `block_shape = [2, 2]`, и `crops = [[0, 0], [0, 0]]`: `[[[[1]]], [[[2]]], [[[3]]], [[[4]]]]` Результирующий тензор имеет форму `[1, 2, 2, 1]` и значение: `x = [[[[1], [2]], [[3], [4]]]]` (2) Для следующего входа формы `[4, 1, 1, 3]`, `block_shape = [2, 2]`, и `crops = [[0, 0], [0, 0]]`: `[[[1, 2, 3]], [[4, 5, 6]], [[7, 8, 9]], [[10, 11, 12]]]` Результирующий тензор имеет форму `[1, 2, 2, 3]` и значение: `x = [[[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]]` (3) Для следующего входа формы `[4, 2, 2, 1]`, `block_shape = [2, 2]`, и `crops = [[0, 0], [0, 0]]`: `x = [[[[1], [3]], [[9], [11]]], [[[2], [4]], [[10], [12]]], [[[5], [7]], [[13], [15]]], [[[6], [8]], [[14], [16]]]]` Результирующий тензор имеет форму `[1, 4, 4, 1]` и значение: `x = [[[1], [2], [3], [4]], [[5], [6], [7], [8]], [[9], [10], [11], [12]], [[13], [14], [15], [16]]]` (4) Для следующего входа формы `[8, 1, 3, 1]`, `block_shape = [2, 2]`, и `crops = [[0, 0], [2, 0]]`: `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]]]]` Результирующий тензор имеет форму `[2, 2, 4, 1]` и значение: `x = [[[[1], [2], [3], [4]], [[5], [6], [7], [8]]], [[[9], [10], [11], [12]], [[13], [14], [15], [16]]]]`
`name`	Имя операции (необязательно).

Возвращаемое значение
A `Tensor`. Имеет тот же тип, что и `input`.

© 2020 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 3.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r1.15/api_docs/python/tf/compat/v2/batch_to_space