tf.nn.depth_to_space

DepthToSpace для тензоров типа T.

tf.nn.depth_to_space(
    input, block_size, data_format='NHWC', name=None
)

Переупорядочивает данные из глубины в блоки пространственных данных. Это обратное преобразование SpaceToDepth. Более конкретно, этот оператор выводит копию входного тензора, где значения из depth измерения перемещаются в пространственные блоки в height и width измерения. Атрибут block_size указывает размер блока входных данных и способ перемещения данных.

• Блоки данных размером block_size * block_size из глубины переупорядочиваются в непересекающиеся блоки размером block_size x block_size
• Ширина выходного тензора составляет input_depth * block_size, а высота — input_height * block_size.
• Координаты Y, X внутри каждого блока выходного изображения определяются старшими разрядами индекса канала входных данных.
• Глубина входного тензора должна быть кратна block_size * block_size.

Атрибут data_format указывает расположение входных и выходных 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 задан с помощью 6 координат, упорядоченных по убыванию важности в плане расположения в памяти как: n,iY,iX,bY,bX,oC (где n=индекс партии, iX, iY означает координаты X или Y внутри входного изображения, bX, bY означает координаты внутри выходного блока, oC означает выходные каналы). Выходной тензор будет транспонированным входом с расположением: n,iY,bY,iX,bX,oC

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

Например, при входных данных формы [1, 1, 1, 4], data_format = "NHWC" и block_size = 2:

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

Этот оператор выведет тензор формы [1, 2, 2, 1]:

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

Здесь вход имеет одну партию, и каждый элемент партии имеет форму [1, 1, 4], соответствующий выход будет иметь 2x2 элемента и будет иметь глубину 1 канала (1 = 4 / (block_size * block_size)). Форма выходного элемента [2, 2, 1].

Для входного тензора с большей глубиной, например, формы [1, 1, 1, 12], e.g.

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

Этот оператор, для размера блока 2, вернет следующий тензор формы [1, 2, 2, 3]

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

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

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

оператор вернёт следующий тензор формы [1 4 4 1]:

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