Модуль: tf.compat.v1.nn

Обёртки для примитивных операций нейронных сетей (НС).

Модули

rnn_cell модуль: Модуль для построения ячеек RNN.

Функции

all_candidate_sampler(...): Генерация набора всех классов.

atrous_conv2d(...): Атропное свёртку (также известная как свёртка с отверстиями или свёртка с расширением).

atrous_conv2d_transpose(...): Транспонированная atrous_conv2d.

avg_pool(...): Выполняет усредняющее пуллинг на входе.

avg_pool1d(...): Выполняет усредняющее пуллинг на входе.

avg_pool2d(...): Выполняет усредняющее пуллинг на входе.

avg_pool3d(...): Выполняет усредняющее пуллинг на входе.

avg_pool_v2(...): Выполняет усредняющее пуллинг на входе.

batch_norm_with_global_normalization(...): Нормализация по батчам.

batch_normalization(...): Нормализация по батчам.

bias_add(...): Добавляет bias к value.

bidirectional_dynamic_rnn(...): Создаёт динамическую версию двунаправленной рекуррентной нейронной сети. (устарело)

collapse_repeated(...): Объединяет повторяющиеся метки в одиночные метки.

compute_accidental_hits(...): Вычисляет идентификаторы позиций в sampled_candidates , совпадающие с true_classes.

compute_average_loss(...): Масштабирует потери на пример с весами `sample_weights` и вычисляет их среднее.

conv1d(...): Вычисляет 1-мерную свёртку входных данных с рангом >=3 и фильтром 3-D. (устаревшие значения аргументов) (устаревшие значения аргументов)

conv1d_transpose(...): Транспонированная conv1d.

conv2d(...): Вычисляет 2-мерную свёртку, учитывая 4-мерные input и filter тензоры.

conv2d_backprop_filter(...): Вычисляет градиенты свёртки относительно фильтра.

conv2d_backprop_input(...): Вычисляет градиенты свёртки относительно входа.

conv2d_transpose(...): Транспонированная conv2d.

conv3d(...): Вычисляет 3-мерную свёртку, учитывая 5-мерные input и filter тензоры.

conv3d_backprop_filter(...): Вычисляет градиенты 3-мерной свёртки относительно фильтра.

conv3d_backprop_filter_v2(...): Вычисляет градиенты 3-мерной свёртки относительно фильтра.

conv3d_transpose(...): Транспонированная conv3d.

conv_transpose(...): Транспонированная convolution.

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

crelu(...): Вычисляет конкатенированную ReLU.

ctc_beam_search_decoder(...): Выполняет декодирование с помощью поиска по лучшим путям на заданных логах.

ctc_beam_search_decoder_v2(...): Выполняет декодирование с помощью поиска по лучшим путям на заданных логах.

ctc_greedy_decoder(...): Выполняет жадное декодирование на заданных логах (лучший путь).

ctc_loss(...): Вычисляет потерю CTC (Connectionist Temporal Classification).

ctc_loss_v2(...): Вычисляет потерю CTC (Connectionist Temporal Classification).

ctc_unique_labels(...): Получение уникальных меток и индексов для меток в пачке для tf.nn.ctc_loss.

depth_to_space(...): DepthToSpace для тензоров типа T.

depthwise_conv2d(...): Глубинная 2-мерная свёртка.

depthwise_conv2d_backprop_filter(...): Вычисляет градиенты глубинной свёртки относительно фильтра.

depthwise_conv2d_backprop_input(...): Вычисляет градиенты глубинной свёртки относительно входа.

depthwise_conv2d_native(...): Вычисляет 2-мерную глубинную свёртку.

depthwise_conv2d_native_backprop_filter(...): Вычисляет градиенты глубинной свёртки относительно фильтра.

depthwise_conv2d_native_backprop_input(...): Вычисляет градиенты глубинной свёртки относительно входа.

dilation2d(...): Вычисляет градацию серого цвета 4-мерных input и 3-мерных filter тензоров.

dropout(...): Вычисляет дропаут. (устаревшие аргументы)

dynamic_rnn(...): Создаёт рекуррентную нейронную сеть, заданную RNNCell cell. (устарело)

elu(...): Вычисляет экспоненциально-линейную функцию: exp(features) - 1 если < 0, features в противном случае.

embedding_lookup(...): Ищет вложения для заданных ids из списка тензоров.

embedding_lookup_sparse(...): Ищет вложения для заданных идентификаторов и весов из списка тензоров.

erosion2d(...): Вычисляет эрозию серого цвета 4-мерных value и 3-мерных kernel тензоров.

fixed_unigram_candidate_sampler(...): Выборка набора классов с использованием предоставленного (фиксированного) базового распределения.

fractional_avg_pool(...): Выполняет дробный усредняющий пуллинг на входе. (устарело)

fractional_max_pool(...): Выполняет дробный максимальный пуллинг на входе. (устарело)

fused_batch_norm(...): Нормализация по батчам.

in_top_k(...): Указывает, находятся ли целевые значения в первой K прогнозах.

l2_loss(...): Потеря L2.

l2_normalize(...): Нормализует по размеру axis с помощью L2-нормы. (устаревшие аргументы)

leaky_relu(...): Вычисление функции активации Leaky ReLU.

learned_unigram_candidate_sampler(...): Выборка набора классов из распределения, обученного во время обучения.

local_response_normalization(...): Локальная нормализация по ответам.

log_poisson_loss(...): Вычисление логарифмической поиссон-потери, учитывая log_input.

log_softmax(...): Вычисление логарифмической функции softmax активаций. (устаревшие аргументы)

log_uniform_candidate_sampler(...): Выборка набора классов с использованием логарифмически-равномерного (Zipfian) базового распределения.

lrn(...): Локальная нормализация по ответам.

max_pool(...): Выполняет максимальный пуллинг на входе.

max_pool1d(...): Выполняет максимальный пуллинг на входе.

max_pool2d(...): Выполняет максимальный пуллинг на входе.

max_pool3d(...): Выполняет максимальный пуллинг на входе.

max_pool_v2(...): Выполняет максимальный пуллинг на входе.

max_pool_with_argmax(...): Выполняет максимальный пуллинг на входе и выводит как максимальные значения, так и индексы.

moments(...): Вычисление среднего и дисперсии x.

nce_loss(...): Вычисление и возврат потери обучения с помощью шумового контрастного оценивания.

normalize_moments(...): Вычисление среднего и дисперсии на основе достаточных статистик.

pool(...): Выполняет N-мерную операцию пуллинга.

quantized_avg_pool(...): Производит усреднённый пуллинг входного тензора для квантованных типов.

quantized_conv2d(...): Вычисляет 2-мерную свёртку, учитывая квантованные 4-мерные входные и фильтры тензоры.

quantized_max_pool(...): Производит максимальный пуллинг входного тензора для квантованных типов.

quantized_relu_x(...): Вычисляет квантованную ReLU X: min(max(features, 0), max_value)

raw_rnn(...): Создаёт RNN, заданный RNNCell cell и функцией цикла loop_fn.

relu(...): Вычисляет выпрямленную линейную функцию: max(features, 0).

relu6(...): Вычисляет выпрямлённую линейную функцию 6: min(max(features, 0), 6).

relu_layer(...): Вычисляет Relu(x * weight + biases).

safe_embedding_lookup_sparse(...): Поиск результатов вложения, учитывая недействительные ID и пустые функции.

sampled_softmax_loss(...): Вычисление и возврат потери обучения с помощью выборочного softmax.

scale_regularization_loss(...): Масштабирует сумму заданных потерь регуляризации с количеством реплик.

selu(...): Вычисляет масштабированную экспоненциально-линейную функцию: scale * alpha * (exp(features) - 1)

separable_conv2d(...): 2-мерная свёртка с раздельными фильтрами.

sigmoid(...): Вычисляет сигмоиду x поэлементно.

sigmoid_cross_entropy_with_logits(...): Вычисляет сигмоидальную перекрестную энтропию, учитывая logits.

silu(...): Вычисляет функцию активации SiLU или Swish: x * sigmoid(x).

softmax(...): Вычисляет активации softmax. (устаревшие аргументы)

softmax_cross_entropy_with_logits(...): Вычисляет перекрестную энтропию softmax между logits и labels. (устаревшее)

softmax_cross_entropy_with_logits_v2(...): Вычисляет перекрестную энтропию softmax между logits и labels. (устаревшие аргументы)

softplus(...): Вычисляет softplus: log(exp(features) + 1).

softsign(...): Вычисляет softsign: features / (abs(features) + 1).

space_to_batch(...): SpaceToBatch для 4-мерных тензоров типа T.

space_to_depth(...): SpaceToDepth для тензоров типа T.

sparse_softmax_cross_entropy_with_logits(...): Вычисляет перекрестную энтропию sparse softmax между logits и labels.

static_bidirectional_rnn(...): Создаёт двунаправленную рекуррентную нейронную сеть. (устаревшее)

static_rnn(...): Создаёт рекуррентную нейронную сеть, заданную RNNCell cell. (устаревшее)

static_state_saving_rnn(...): RNN, принимающий сохранитель состояния для вычисления RNN с усечением по времени. (устаревшее)

sufficient_statistics(...): Вычисляет достаточные статистики для среднего и дисперсии x.

swish(...): Вычисляет функцию активации SiLU или Swish: x * sigmoid(x).

tanh(...): Вычисляет гиперболический тангенс от x поэлементно.

top_k(...): Находит значения и индексы k наибольших элементов для последнего измерения.

uniform_candidate_sampler(...): Выбирает набор классов, используя равномерное базовое распределение.

weighted_cross_entropy_with_logits(...): Вычисляет взвешенную перекрестную энтропию. (устаревшие аргументы)

weighted_moments(...): Возвращает частотно-взвешенное среднее и дисперсию x.

with_space_to_batch(...): Выполняет op над представлением space-to-batch для input.

xw_plus_b(...): Вычисляет matmul(x, weights) + biases.

zero_fraction(...): Возвращает долю нулей в value.