mindspore.ops.batch_to_space_nd

mindspore.ops.batch_to_space_nd(input_x, block_shape, crops)

用块划分批次维度，并将这些块交错回空间维度。

此函数会将批次维度 N 划分为具有 block_shape 的块，即输出张量的 N 维度是划分后对应的块数。 输出张量的 $w_1,...,w_M$ 维度是原始的 $w_1,...,w_M$ 维度和 block_shape 的乘积从维度裁剪给定。 若输入的shape为 $(n,c_1,...c_k,w_1,...,w_M)$，则输出的shape为 $(n^{\prime },c_1,...c_k,w_1^{\prime },...,w_M^{\prime })$ 。 其中，

$$\begin{array}{r}\begin{array}{l}\\ n^{\prime }=n//(block\mathrm{\_}shape[0]\ast ...\ast block\mathrm{\_}shape[M-1])\\ w_i^{\prime }=w_i\ast block\mathrm{\_}shape[i-1]-crops[i-1][0]-crops[i-1][1]\end{array}\end{array}$$

参数：

• input_x (Tensor) - 输入tensor，必须大于或者等于二维（Ascend平台必须为四维）。批次维度需能被 block_shape 整除。

• block_shape (Union[list(int), tuple(int), int]) - 分割批次维度的块的数量，取值需大于或者等于1。如果 block_shape 为list或者tuple，其长度 M 为空间维度的长度。如果 block_shape 为整数，那么所有空间维度分割的个数均为 block_shape 。在Ascend后端 M 必须为2。

• crops (Union[list(int), tuple(int)]) - 空间维度的裁剪大小，包含 M 个长度为2的list，取值需大于或等于0。crops[i] 为对空间维度 i 的填充，对应输入tensor的维度 i+offset ， offset 为空间维度在输入tensor维度中的偏移量，其中 offset=N-M ， N 是输入维度数。同时要求 $input\mathrm{\_}shape[i+offset]\ast block\mathrm{\_}shape[i]>crops[i][0]+crops[i][1]$ 。

返回：

Tensor

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> block_shape = [2, 2]
>>> crops = [[0, 0], [0, 0]]
>>> input_x = mindspore.tensor([[[[1]]], [[[2]]], [[[3]]], [[[4]]]], mindspore.float32)
>>> output = mindspore.ops.batch_to_space_nd(input_x, block_shape, crops)
>>> print(output)
[[[[1.  2.]
   [3.  4.]]]]