Question

我正在tf.space_to_depth阅读此文件。在那里，它说关于函数的使用：

此操作对于调整其间的激活大小非常有用卷积（但保留所有数据），例如而不是汇集。它是也可用于训练纯粹的卷积模型。

但是，我仍然没有清楚地了解这一点。为什么有时需要调整模型中的激活大小？

Answer 1

space_to_depth是一种卷积练习，经常用于无损空间维数减少。应用张量(example_dim, width, height, channels)和block_size = k，它会产生一个形状为(example_dim, width / block_size, height / block_size, channels * block_size ** 2)的张量。它以下列方式工作（为简单起见，跳过example_dim）：

将图片/特征地图切割成大小的块（block_size，block_size，channels）：例如以下图片（block_size = 2）：

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

分为以下几个部分：

[[[1], [2]],       [[[3], [4]],
 [[5], [6]]]        [[7], [8]]]

[[[9], [10],]      [[[11], [12]],
 [[13], [14]]]      [[15], [16]]]

将每个块展平为单个数组：

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

根据初始位置空间重新排列块

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

所以 - 正如您所看到的 - 大小为(4, 4, 1)的初始图片被重新排列为具有形状(2, 2, 4)的要素图。以下策略通常用于对象检测，分割或超分辨率等应用，因为减小图像的空间大小而不会减少缩减（如pooling）非常重要。可以找到例如这种技术的应用的例子。 here

tf.space_to_depth有什么用？

1 个答案: