TensorFlow函数教程：tf.nn.space_to_depth

别名：

• tf.nn.space_to_depth
• tf.space_to_depth

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

定义在：tensorflow/python/ops/array_ops.py。

T型张量的SpaceToDepth

将空间数据块重新排列为深度。更具体地说，该操作输出输入张量的副本，其中来自height 和width维度的值被移动到depth维度。attr block_size表示输入块大小。

• 大小为block_size x block size的非重叠块在每个位置重新排列为深度。
• 输出张量的深度是block_size * block_size * input_depth。
• 输入的每个块内的Y，X坐标成为输出通道索引的高阶分量。
• 输入张量的height和width必须可被block_size整除。

data_format属性指定输入和输出张量的布局与下列选项：

• “NHWC”：[ batch, height, width, channels ]
  
• “NCHW”：[ batch, channels, height, width ] 
  
• “NCHW_VECT_C”： qint8 [ batch, channels / 4, height, width, 4 ]
  

将操作视为转换6-D张量很有用。例如，对于data_format = NHWC，输入张量中的每个元素都可以通过6个坐标指定，通过降低内存布局的重要性来排序：n，oY，bY，oX，bX，iC（其中n =批处理索引，oX，oY表示输出图像中的X或Y坐标，bX，bY表示输入块内的坐标，iC表示输入通道）。输出将是以下布局的转置：n，oY，oX，bY，bX，iC

此操作对于调整卷积之间的激活（但保留所有数据）非常有用，例如，不是池化。它对于训练purely卷积模型也很有用。

例如，给定一个输入，其shape为[1, 2, 2, 1]，data_format =“NHWC”和block_size = 2：

x = [[[[1], [2]],
      [[3], [4]]]]

此操作将输出一个shape为[1, 1, 1, 4]的张量：

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

这里，输入的批处理为1，每个批处理元素都有shape [2, 2, 1]，相应的输出将具有单个元素（即width和height均为1），并且深度为4个通道（1 * block_size * block_size）。输出元素的shape是[1, 1, 4]。

对于具有较大深度的输入张量，这里的shape为[1, 2, 2, 3]，例如：

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

对于block_size为2，此操作将返回以下shape为[1, 1, 1, 12]的张量：

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

同样，对于以下shape为[1 4 4 1]，且块大小为2的输入：

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

操作符将返回以下shape为[1 2 2 4]的张量：

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

参数：

• input：一个Tensor。
• block_size：>= 2的int。空间块的大小。
• data_format：可选的string，可以是："NHWC", "NCHW", "NCHW_VECT_C"。默认为"NHWC"。
• name：操作的名称（可选）。

返回：

一个Tensor，与input具有相同的类型。