TensorSpace.js
开始使用
基本概念
TensorSpace Converter
模型预处理
模型
网络层
网络层融合
网络层维度
定义
在机器学习中,所有的层都会有一个维度特征,以后缀形式记为 1d2d3d。 其表达的含义是本层输出数据的维度。
在 TensorSpace 中,有一些特殊的2d层,例如"2d卷积层"。 其使用过滤器提取特征,每一个过滤器会生成特征图,假设输入图像大小28x28, 经过一个有3个过滤器的卷积层,输出的是3维,形状为[28, 28, 3]。 即在输出的数据中会增加一个维度——通道数。通道数的值表示的过滤器的数量。
层的维度
在 TensorSpace 中层的维度由输出数据的形状决定。
在网络层链接上,请考虑此层的具体计算规则。 比如在Input1d后用pooling1d, 而不是pooling2d
1维层
输出维度为1维,例如,(例如 shape= [10]):
filter_center_focus Dense
filter_center_focus Flatten
filter_center_focus Activation1d
filter_center_focus Layer1d
filter_center_focus Input1d
filter_center_focus Output1d
filter_center_focus GlobalPooling1d
filter_center_focus GlobalPooling2d
2维层
2维输出为一个二维数组,但在输出含义上有两种形式:第一种,表示图像的大小,例如,shape= [28,28] 表示一个长和宽分别为28,28的图像;第二种,第一个数值表示长度,第二个数值是通道数,例如,shape= [10,3] 表示3个长度为10的特征向量。
filter_center_focus Conv1d
filter_center_focus Cropping1d
filter_center_focus Padding1d
filter_center_focus Pooling1d
filter_center_focus UpSampling1d
filter_center_focus GreyscaleInput
filter_center_focus Activation2d
filter_center_focus Layer2d
3维层
3维输出为一个三维数组。 例如,shape= [28, 28, 3] 表示一个彩色图像, 分别对应3张在 RGB 3通道中,大小为 28x28的特征图。
filter_center_focus Conv2d
filter_center_focus Conv2dTranspose
filter_center_focus DepthwiseConv2d
filter_center_focus Cropping2d
filter_center_focus Padding2d
filter_center_focus Pooling2d
filter_center_focus UpSampling2d
filter_center_focus RGBInput
filter_center_focus Activation3d
filter_center_focus Layer3d