Tensorflow.js es una biblioteca de código abierto desarrollada por Google para ejecutar modelos de aprendizaje automático y redes neuronales de aprendizaje profundo en el entorno del navegador o del Node. También ayuda a los desarrolladores a desarrollar modelos ML en lenguaje JavaScript y puede usar ML directamente en el navegador o en Node.js.
La función tf.layers.conv2dTranspose() se usa para transponer circunvoluciones, lo que generalmente surge del deseo de usar una transformación que vaya en la dirección opuesta a una convolución normal. Cuando se usa esta capa como la primera capa en un modelo, proporciona la configuración inputShape, por ejemplo, inpuShape: [ 64, 64, 5 ] para imágenes RGB de 64 x 64 en formato de datos: ‘channelsLast’.
Sintaxis:
tf.layers.conv2dTranspose( args )
Parámetros:
- args: Acepta objetos como parámetros con los siguientes campos:
- filtros: Es la dimensionalidad del espacio de salida que es el número de filtros en la convolución.
- kernelSize: Son las dimensiones de las ventanas de convolución. Si kernelSize es un número, la ventana de convolución será cuadrada.
- zancadas: Son las zancadas de la convolución en cada dimensión. Si los pasos son un número, los pasos en ambas dimensiones son iguales.
- padding: Define el modo padding.
- dataFormat: Define el formato de los datos, lo que determina el orden de las dimensiones en la entrada.
- dilationRate: Define la tasa de dilatación a utilizar para la convolución de dilatación en cada dimensión. Debe ser un número entero o una array o dos o tres números enteros.
- activación: Es la función de activación de la capa.
- useBias: Define si se utiliza o no un vector de sesgo.
- kernelInitializer: es el inicializador de la array de pesos del kernel de convolución.
- biasInitializer: Es el inicializador para el vector de polarización.
- kernelConstraint: Es la restricción para la array de pesos del kernel de convolución.
- biasCosnstraint: Es la restricción para el vector de sesgo.
- kernelRegularizer: Es una función regularizadora aplicada a la array de pesos del kernel.
- biasRegularizer: Es una función de regularización aplicada a un vector de sesgo.
- activityRegularizer: Es una función regularizadora aplicada a la activación.
- inputShape: debe ser una array de números. Este campo se usa para crear una capa de entrada que se usa para insertarse antes de esta capa.
- batchInputShape: debe ser una array de números. Este campo se usará si inputShape y este campo se proporcionan como parámetro para crear la capa de entrada que se usa para insertar antes de esta capa.
- tamaño del lote: debe ser un número. En ausencia de batchInputShape, este campo se usa para crear batchInputShape con inputShape. batchInputShape : [ tamaño del lote , … forma de entrada ].
- dtype: si esta capa se usa como capa de entrada, este campo se usa como el tipo de datos para esta capa.
- nombre: Debe ser un tipo de string. este campo define el nombre de esta capa.
- entrenable: debe ser booleano. Este campo define si los pesos de esta capa se pueden entrenar con ajuste o no.
- pesos: Este debería ser un tensor que defina el valor de peso inicial para esta capa.
- inputDType: este es un tipo de datos que se utiliza para el soporte heredado.
Valor devuelto: Devuelve Conv2DTranspose
Ejemplo 1:
Javascript
// Import the header file import * as tf from "@tensorflow/tfjs" // Creating seprableConv2d layer const conv2dTranspose = tf.layers.conv2dTranspose({ filters: 3, kernelSize: 8, batchInputShape: [2, 3, 5] }); // Create an input with 2 time steps. const input = tf.input({ shape: [4, 5, 8] }); const output = conv2dTranspose.apply(input); // Printing the Shape of file console.log(JSON.stringify(output.shape));
Producción:
[null,11,12,3]
Ejemplo 2:
Javascript
// Import Header file import * as tf from "@tensorflow/tfjs" // Creating input layer const inputShape = [1, 1, 1, 2]; const input = tf.ones(inputShape); // Creating upSampling layer const layer = tf.layers.conv2dTranspose({ filters: 2, kernelSize: 2, batchInputShape: [1, 2, 3] }); // Printing tensor const output = layer.apply(input); output.print();
Producción:
Tensor [[[[0.081374 , -0.2834765], [-0.1283467, -0.2375581]], [[-0.791486 , 0.2895283 ], [-0.2392025, -0.1721524]]]]
Referencia: https://js.tensorflow.org/api/latest/#layers.conv2dTranspose
Publicación traducida automáticamente
Artículo escrito por satyam00so y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA