tf.nn.convolution

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

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

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

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

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

ранг (N+2) filters тензор формы

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

необязательный dilations тензор формы N , определяющий скорость повышения/снижения дискретизации фильтра, 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 ввода, и z — N-мерный пространственный смещение внутри фильтра. Здесь, padded_input получается путём добавления нулевых значений к вводу, используя эффективную пространственную форму фильтра (spatial_filter_shape-1) * dilation_rate + 1 и шаги вывода strides, как описано в комментарии здесь.

В случае, если 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.