mindspore.ops.BatchToSpace

class mindspore.ops.BatchToSpace(block_size, crops)[源代码]

将批处理数据重新排列到空间数据中。

此操作将批处理维度N拆分为 block_size 大小的块（blocks），输出Tensor的维度N，即为拆分后对应的块数。输出Tensor的H、W维分别是原H、W维和 block_size 在给定裁剪量情况下的乘积。

参数：

  • block_size (int) - 指定拆分的块大小，其值不能小于2。

  • crops (Union[list(int), tuple(int)]) - 指定H和W维度上的裁剪值，包含2个列表。每个列表包含2个整数。所有值都必须不小于0。crops[i]表示指定空间维度i的裁剪值，该维度对应于输入维度i+2。要求 \(input\_shape[i+2]*block\_size > crops[i][0]+crops[i][1]\) 。

输入：

  • input_x (Tensor) - 输入Tensor。必须是四维，第零维度（维度n）的大小必须可被 block_size 的乘积整除。数据类型为float16或float32。

输出：

Tensor，数据类型与输入Tensor相同。假设输入shape为 \((n, c, h, w)\) ，经过 block_size 和 crops 计算后。输出shape将为 \((n', c', h', w')\) ，其中

  • \(n' = n//(block\_size*block\_size)\)

  • \(c' = c\)

  • \(h' = h*block\_size-crops[0][0]-crops[0][1]\)

  • \(w' = w*block\_size-crops[1][0]-crops[1][1]\)

异常：

  • TypeError - 如果 block_size 或 crops 的元素不是int。

  • TypeError - 如果 crops 既不是list也不是tuple。

  • ValueError - 如果 block_size 的值小于2。

支持平台：

Ascend GPU

样例：

>>> block_size = 2
>>> crops = [[0, 0], [0, 0]]
>>> batch_to_space = ops.BatchToSpace(block_size, crops)
>>> input_x = Tensor(np.array([[[[1]]], [[[2]]], [[[3]]], [[[4]]]]), mindspore.float32)
>>> output = batch_to_space(input_x)
>>> print(output)
[[[[1.  2.]
   [3.  4.]]]]