jax.lax.conv_general_dilated_patches#

jax.lax.conv_general_dilated_patches(lhs, filter_shape, window_strides, padding, lhs_dilation=None, rhs_dilation=None, dimension_numbers=None, precision=None, preferred_element_type=None)[源代码]#

提取受 conv_general_dilated 感受野约束的 patches。

使用给定参数对输入运行卷积。卷积核的构造方式是，输出通道维度 “C” 包含扁平化的图像 patches，因此单个 “C” 维度表示，例如，三个维度 “chw” 被折叠。这些维度的顺序是 “c” + ‘’.join(c for c in rhs_spec if c not in ‘OI’)，其中 rhs_spec == dimension_numbers[1]，因此 “C” 维度的大小是每个 patch 的大小，即 np.prod(filter_shape) * lhs.shape[lhs_spec.index(‘C’)]，其中 lhs_spec == dimension_numbers[0]。

下面的文档字符串改编自 jax.lax.conv_general_dilated。

另请参阅

https://tensorflowcn.cn/xla/operation_semantics#conv_convolution

参数:

  • lhs (ArrayLike) – 一个秩为 n+2 维的输入数组。

  • filter_shape (Sequence[int]) – 一个 n 个整数的序列，表示感受野空间形状，顺序在 rhs_spec = dimension_numbers[1] 中指定。

  • window_strides (Sequence[int]) – 一个 n 个整数的序列，表示窗口之间的步幅。

  • padding (str | Sequence[tuple[int, int]]) – 字符串 ‘SAME’，字符串 ‘VALID’，或一个 n 个 (low, high) 整数对的序列，给出在每个空间维度之前和之后应用的填充。

  • lhs_dilation (Sequence[int] | None | None) – None，或一个 n 个整数的序列，给出在 lhs 的每个空间维度中应用的扩张因子。 LHS 扩张也称为转置卷积。

  • rhs_dilation (Sequence[int] | None | None) – None，或一个 n 个整数的序列，给出在 rhs 的每个空间维度中应用的扩张因子。 RHS 扩张也称为 atrous 卷积。

  • dimension_numbers (convolution.ConvGeneralDilatedDimensionNumbers | None | None) – None，或一个 3 元组 (lhs_spec, rhs_spec, out_spec)，其中每个元素都是长度为 n+2 的字符串。None 默认为 (“NCHWD…, OIHWD…, NCHWD…”)。

  • precision (lax.Precision | None | None) – 可选。可以是 None，表示后端的默认精度，或者是一个 Precision 枚举值（Precision.DEFAULT，Precision.HIGH 或 Precision.HIGHEST）。

  • preferred_element_type (DType | None | None) – 可选。可以是 None，表示输入类型的默认累积类型，或者是一个数据类型，指示累积结果并返回具有该数据类型的结果。

返回值:

一个秩为 n+2 的数组，包含输出通道（“C”）维度中扁平化的图像 patches。例如，如果 dimension_numbers = (“NcHW”, “OIwh”, “CNHW”)，则输出的维度编号为 “CNHW” = “{cwh}NHW”，其中维度 “C” 的大小等于每个 patch 的大小 (np.prod(filter_shape) * lhs.shape[lhs_spec.index(‘C’)])。

返回类型:

Array