tf.compat.v1.space_to_depth

SpaceToDepth для тензоров типа T.

tf.compat.v1.space_to_depth(
    input, block_size, name=None, data_format='NHWC'
)

Переупорядочивает блоки пространственных данных в глубину. Более конкретно, этот оператор выводит копию входного тензора, где значения из измерений height и width перемещаются в измерение depth. Атрибут block_size указывает размер блока входных данных.

• Непересекающиеся блоки размера block_size x block size переупорядочиваются в глубину в каждом месте.
• Глубина выходного тензора составляет block_size * block_size * input_depth.
• Координаты Y, X внутри каждого блока входных данных становятся старшими разрядами индекса канала выхода.
• Высота и ширина входного тензора должны быть кратны block_size.

Атрибут data_format определяет расположение входного и выходного тензоров со следующими вариантами: "NHWC": [ batch, height, width, channels ] "NCHW": [ batch, channels, height, width ] "NCHW_VECT_C": qint8 [ batch, channels / 4, height, width, 4 ]

Полезно рассматривать операцию как преобразование 6-мерного тензора. Например, для data_format = NHWC каждый элемент в входном тензоре может быть указан с помощью 6 координат, упорядоченных по убыванию значимости в формате памяти: n, oY, bY, oX, bX, iC (где n = индекс партии, oX, oY — координаты X или Y на выходном изображении, bX, bY — координаты внутри входного блока, iC — каналы входных данных). Выход представлял бы собой транспонирование в следующую структуру: n, oY, oX, bY, bX, iC

Этот оператор полезен для изменения размера активаций между свертками (но сохраняя все данные), например, вместо пулинга. Он также полезен для обучения чисто сверточных моделей.

Например, для входных данных размером [1, 2, 2, 1], data_format = "NHWC" и block_size = 2:

x = [[[[1], [2]],
      [[3], [4]]]]

Этот оператор выведет тензор размером [1, 1, 1, 4]:

[[[[1, 2, 3, 4]]]]

Здесь вход имеет партию 1, и каждый элемент партии имеет размер [2, 2, 1], соответствующий выход будет иметь единственный элемент (т. е. ширина и высота обе равны 1) и глубину 4 канала (1 * block_size * block_size). Размер элемента выхода [1, 1, 4].

Для входного тензора с большей глубиной, например размером [1, 2, 2, 3],

x = [[[[1, 2, 3], [4, 5, 6]],
      [[7, 8, 9], [10, 11, 12]]]]

Этот оператор для block_size 2 вернёт следующий тензор размером [1, 1, 1, 12]

[[[[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]]]]

Аналогично, для входных данных размером [1 4 4 1], и размера блока 2:

x = [[[[1],   [2],  [5],  [6]],
      [[3],   [4],  [7],  [8]],
      [[9],  [10], [13],  [14]],
      [[11], [12], [15],  [16]]]]

оператор вернет следующий тензор размером [1 2 2 4]:

x = [[[[1, 2, 3, 4],
       [5, 6, 7, 8]],
      [[9, 10, 11, 12],
       [13, 14, 15, 16]]]]