tf.nn.convolution

Вычисляет суммы N-мерных свёрок (фактически, кросс-корреляцию).

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

Это также поддерживает либо шаг вывода с помощью необязательного параметра strides , либо атронную свёртку (также известную как свёртка с отверстиями или расширенная свёртка, по аналогии с французским словом "trous", означающим отверстия на английском) с помощью необязательного параметра dilations . Однако в настоящее время шаг вывода не поддерживается для атронных свёрок.

В частности, в случае, если data_format не начинается с "NC", учитывая тензор ранга (N+2) input с формой

[num_batches, input_spatial_shape[0], ..., input_spatial_shape[N-1], num_input_channels],

тензор ранга (N+2) filters с формой

[spatial_filter_shape[0], ..., spatial_filter_shape[N-1], num_input_channels, num_output_channels],

необязательный тензор dilations с формой N, указывающий на масштабирование фильтра/уменьшение входных данных, и необязательный список N strides (по умолчанию [1]*N), эта функция 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 пакете, k - номер выходного канала, q - номер входного канала, а z - N-мерный пространственный смещение внутри фильтра. Здесь padded_input получается путём добавления нулевого заполнения к входу с использованием эффективной пространственной формы фильтра (spatial_filter_shape-1) * dilation_rate + 1 и шага 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.