tf.nn.convolution

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

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

Это также поддерживает либо шаги вывода через необязательный параметр strides или атроусную свёртку (также известную как свёртка с отверстиями или расширенная свёртка, в зависимости от французского слова «trous», означающего отверстия на английском языке) через необязательный параметр dilation_rate. Однако в настоящее время шаги вывода не поддерживаются для атроусных свёртки.

В частности, в случае, если data_format не начинается с "NC", учитывая ранг (N+2) input тензора формы

[количество_пачек, пространственная_форма_входа[0], ..., пространственная_форма_входа[N-1], количество_каналов_входа],

ранг (N+2) filter тензор формы

[пространственная_форма_фильтра[0], ..., пространственная_форма_фильтра[N-1], количество_каналов_входа, количество_каналов_выхода],

необязательный dilation_rate тензор формы N, определяющий скорость увеличения фильтра/уменьшения размера входа, и необязательный список из 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 в пачке, k - номер канала вывода, q - номер канала входа, и z - N-мерный пространственный сдвиг в фильтре. Здесь, padded_input получается путем заполнения нулями входных данных с эффективной пространственной формой фильтра (spatial_filter_shape-1) * dilation_rate + 1 и шагом вывода strides, как описано в комментарии здесь.

В случае, если data_format начинается с "NC", input и выход (но не filter) 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.