tf.compat.v2.nn.convolution

Вычисляет суммы N-мерных свёртки (на самом деле кросс-корреляции).

tf.compat.v2.nn.convolution(
    input, filters, strides=None, padding='VALID', data_format=None, dilations=None,
    name=None
)

Это также поддерживает либо шаги вывода через необязательный strides параметр, либо атросную свёртку (также известную как свёртка с отверстиями или разведённая свёртка, основанная на французском слове «trous», означающем отверстия на английском языке) через необязательный dilations параметр. Однако в настоящее время шаги вывода не поддерживаются для атросных свёрток.

Конкретно, в случае, когда data_format не начинается с «NC», учитывая ранг (N+2) input тензор формы

[количество_парт, пространственная_форма_ввода[0], ..., пространственная_форма_ввода[N-1], количество_каналов_ввода],

a rank (N+2) filters тензор формы

[пространственная_форма_фильтра[0], ..., пространственная_форма_фильтра[N-1], количество_каналов_ввода, количество_каналов_вывода],

необязательный dilations тензор формы N определяющий скорость масштабирования фильтра/ввода, и необязательный список N strides (по умолчанию [1]*N), это вычисляет 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 партии, k — номер выходного канала, q — номер входного канала, и z — N-мерный пространственный смещение внутри фильтра. Здесь padded_input получается путём заполнения нулями входных данных с использованием эффективной пространственной формы фильтра (spatial_filter_shape-1) * dilation_rate + 1 и шага вывода strides, как описано в комментарии здесь.

В случае, когда data_format начинается с "NC", input и вывод (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.