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_sizecrops 计算后。输出shape将为 (n,c,h,w) ,其中

  • n=n//(block_sizeblock_size)

  • c=c

  • h=hblock_sizecrops[0][0]crops[0][1]

  • w=wblock_sizecrops[1][0]crops[1][1]

异常:
  • TypeError - 如果 block_sizecrops 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:

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> 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.]]]]