tf.nn.lrn() विधि क्या करती है?

Question

यहां कोड -10-ट्यूटोरियल से कोड-स्निप किया गया है। यह cifar10.py से है।

# conv1 
with tf.variable_scope('conv1') as scope: 
kernel = _variable_with_weight_decay('weights', shape=[5, 5, 3, 64], 
            stddev=1e-4, wd=0.0) 
conv = tf.nn.conv2d(images, kernel, [1, 1, 1, 1], padding='SAME') 
biases = _variable_on_cpu('biases', [64], tf.constant_initializer(0.0)) 
bias = tf.nn.bias_add(conv, biases) 
conv1 = tf.nn.relu(bias, name=scope.name) 
_activation_summary(conv1) 

# pool1 
pool1 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], 
        padding='SAME', name='pool1') 
# norm1 
norm1 = tf.nn.lrn(pool1, 4, bias=1.0, alpha=0.001/9.0, beta=0.75, 
       name='norm1') 

tf.nn.lrn-method क्या करता है? मुझे https://www.tensorflow.org/versions/r0.8/api_docs/python/index.html

Answer 1

tf.nn.lrn पर एपीआई दस्तावेज़ीकरण में एक परिभाषा नहीं मिल रही है tf.nn.local_response_normalization के लिए एक छोटा है। इसलिए, प्रलेखन आप को देखने के लिए चाहते हो सकता है है: https://www.tensorflow.org/api_docs/python/tf/nn/local_response_normalization

Answer 2

nessuno उल्लेख किया है, tf.nn.lrn के लिए tf.nn.local_response_normalization (documentation) कम है

इसके अलावा, this questionप्रतिक्रिया सामान्य परतों में अधिक जानकारी के लिए अच्छा संसाधन उपलब्ध कराता है।

से:http://caffe.berkeleyvision.org/tutorial/layers.html#data-layers

स्थानीय इनपुट क्षेत्रों पर सामान्य से पार्श्व निषेध "" स्थानीय प्रतिक्रिया सामान्य परत का एक प्रकार करता है "ACROSS_CHANNELS मोड में, स्थानीय क्षेत्रों आस-पास के चैनलों में विस्तार है, लेकिन है। कोई स्थानिक सीमा (यानी, उन्होंने स्थानीय_ आकार x 1 x 1 आकार दिया है) .ININ_CHANNEL मोड में, स्थानीय क्षेत्र स्थानिक रूप से विस्तारित होते हैं, लेकिन अलग-अलग चैनलों में होते हैं (यानी, उनके आकार 1 x local_size x local_size है)। प्रत्येक इनपुट मान को विभाजित किया जाता है (1+ (α/n) Σix2i) β, जहां n प्रत्येक स्थानीय क्षेत्र का आकार है, और उस मूल्य पर केंद्रित क्षेत्र पर राशि ली जाती है (शून्य पैडिंग जोड़ा जाता है जहां आवश्यक हो ary)। "

ये परतें पक्ष से बाहर हो गई हैं क्योंकि उनके परिणामों पर बहुत कम प्रभाव पड़ा है, और अन्य तकनीकें अधिक फायदेमंद साबित हुई हैं।