From d4adaa9555e3b6733516545694d91b781823b2a0 Mon Sep 17 00:00:00 2001 From: Hao Wang <31058429+haowang101779990@users.noreply.github.com> Date: Mon, 25 Feb 2019 18:40:23 +1100 Subject: [PATCH] [to 1.3] cn api debug (#655) MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit * debug * fix 2 -conv2d * "锚" ==> anchor(s) --- doc/fluid/api_cn/io_cn.rst | 30 +++--- doc/fluid/api_cn/layers_cn.rst | 182 +++++++++++++++++++++++---------- 2 files changed, 143 insertions(+), 69 deletions(-) diff --git a/doc/fluid/api_cn/io_cn.rst b/doc/fluid/api_cn/io_cn.rst index 6c1bd3dcc..52ce90cab 100644 --- a/doc/fluid/api_cn/io_cn.rst +++ b/doc/fluid/api_cn/io_cn.rst @@ -11,16 +11,16 @@ load_inference_model .. py:class:: paddle.fluid.io.load_inference_model(dirname, executor, model_filename=None, params_filename=None, pserver_endpoints=None) -从指定目录中加载 推理model(inference model) +从指定目录中加载预测模型model(inference model) 参数: - **dirname** (str) – model的路径 - **executor** (Executor) – 运行 inference model的 ``executor`` - - **model_filename** (str|None) – 推理 Program 的文件名称。如果设置为None，将使用默认的文件名为： ``__model__`` + - **model_filename** (str|None) – 存储着预测 Program 的文件名称。如果设置为None，将使用默认的文件名为： ``__model__`` - **params_filename** (str|None) – 加载所有相关参数的文件名称。如果设置为None，则参数将保存在单独的文件中。 - - **pserver_endpoints** (list|None) – 只有在分布式推理时需要用到。 当在训练时使用分布式 look up table , 需要这个参数. 该参数是 pserver endpoints 的列表 + - **pserver_endpoints** (list|None) – 只有在分布式预测时需要用到。 当在训练时使用分布式 look up table , 需要这个参数. 该参数是 pserver endpoints 的列表 -返回: 这个函数的返回有三个元素的元组(Program，feed_target_names, fetch_targets)。Program 是一个 ``Program`` ，它是推理 ``Program``。 ``feed_target_names`` 是一个str列表，它包含需要在推理 ``Program`` 中提供数据的变量的名称。` `fetch_targets`` 是一个 ``Variable`` 列表，从中我们可以得到推断结果。 +返回: 这个函数的返回有三个元素的元组(Program，feed_target_names, fetch_targets)。Program 是一个 ``Program`` ，它是预测 ``Program``。 ``feed_target_names`` 是一个str列表，它包含需要在预测 ``Program`` 中提供数据的变量的名称。``fetch_targets`` 是一个 ``Variable`` 列表，从中我们可以得到推断结果。 返回类型：元组(tuple) @@ -39,7 +39,7 @@ load_inference_model fetch_list=fetch_targets) # 在这个示例中，inference program 保存在 ./infer_model/__model__”中 # 参数保存在./infer_mode 单独的若干文件中 - # 加载 inference program 后， executor 使用 fetch_targets 和 feed_target_names 执行Program， 得到推理结果 + # 加载 inference program 后， executor 使用 fetch_targets 和 feed_target_names 执行Program， 得到预测结果 @@ -71,13 +71,13 @@ load_params **代码示例** .. code-block:: python - + exe = fluid.Executor(fluid.CPUPlace()) param_path = "./my_paddle_model" prog = fluid.default_main_program() fluid.io.load_params(executor=exe, dirname=param_path, main_program=None) - + @@ -184,19 +184,19 @@ save_inference_model .. py:class:: paddle.fluid.io.save_inference_model(dirname, feeded_var_names, target_vars, executor, main_program=None, model_filename=None, params_filename=None, export_for_deployment=True) -修改指定的 ``main_program`` ，构建一个专门用于推理的 ``Program``，然后 ``executor`` 把它和所有相关参数保存到 ``dirname`` 中 +修改指定的 ``main_program`` ，构建一个专门用预测的 ``Program``，然后 ``executor`` 把它和所有相关参数保存到 ``dirname`` 中 ``dirname`` 用于指定保存变量的目录。如果变量保存在指定目录的若干文件中，设置文件名 None; 如果所有变量保存在一个文件中，请使用filename来指定它 参数: - - **dirname** (str) – 保存推理model的路径 - - **feeded_var_names** (list[str]) – 推理（inference）需要 feed 的数据 - - **target_vars** (list[Variable]) – 保存推理（inference）结果的 Variables + - **dirname** (str) – 保存预测model的路径 + - **feeded_var_names** (list[str]) – 预测（inference）需要 feed 的数据 + - **target_vars** (list[Variable]) – 保存预测（inference）结果的 Variables - **executor** (Executor) – executor 保存 inference model - - **main_program** (Program|None) – 使用 ``main_program`` ，构建一个专门用于推理的 ``Program`` （inference model）. 如果为None, 使用 ``default main program`` 默认: None. - - **model_filename** (str|None) – 保存 推理P rogram 的文件名称。如果设置为None，将使用默认的文件名为： ``__model__`` + - **main_program** (Program|None) – 使用 ``main_program`` ，构建一个专门用于预测的 ``Program`` （inference model）. 如果为None, 使用 ``default main program`` 默认: None. + - **model_filename** (str|None) – 保存预测Program 的文件名称。如果设置为None，将使用默认的文件名为： ``__model__`` - **params_filename** (str|None) – 保存所有相关参数的文件名称。如果设置为None，则参数将保存在单独的文件中。 - - **export_for_deployment** (bool) – 如果为真，Program将被修改为只支持直接推理部署的Program。否则，将存储更多的信息，方便优化和再训练。目前只支持True。 + - **export_for_deployment** (bool) – 如果为真，Program将被修改为只支持直接预测部署的Program。否则，将存储更多的信息，方便优化和再训练。目前只支持True。 返回: None @@ -214,7 +214,7 @@ save_inference_model target_vars=[predict_var], executor=exe) # 在这个示例中，函数将修改默认的主程序让它适合于推断‘predict_var’。修改的 - # 推理Program 将被保存在 ./infer_model/__model__”中。 + # 预测Program 将被保存在 ./infer_model/__model__”中。 # 和参数将保存在文件夹下的单独文件中 ./infer_mode diff --git a/doc/fluid/api_cn/layers_cn.rst b/doc/fluid/api_cn/layers_cn.rst index 2e47ff1be..34b342bb0 100644 --- a/doc/fluid/api_cn/layers_cn.rst +++ b/doc/fluid/api_cn/layers_cn.rst @@ -224,9 +224,9 @@ memory用于缓存分段数据。memory的初始值可以是零，也可以是 返回:可以访问的RNN的输入变量,。 -.. py:method:: block(*args, **kwds) +.. py:method:: block() -用户在RNN中定义operators的block。有关详细信息，请参阅class ``docstring`` 。 +用户在RNN中定义operators的block。 .. py:method:: memory(init=None, shape=None, value=0.0, need_reorder=False, dtype='float32') @@ -321,7 +321,7 @@ memory用于缓存分段数据。memory的初始值可以是零，也可以是 equal ------------------------------- -.. py:function:: paddle.fluid.layers.equal(x,y,cond=None,**ignored) +.. py:function:: paddle.fluid.layers.equal(x,y,cond=None) **equal** 该层返回 :math:`x==y` 按逐元素运算而得的真值。 @@ -437,7 +437,7 @@ increment is_empty ------------------------------- -.. py:function:: paddle.fluid.layers.is_empty(x, cond=None, **ignored) +.. py:function:: paddle.fluid.layers.is_empty(x, cond=None) 测试变量是否为空 @@ -472,7 +472,7 @@ is_empty less_than ------------------------------- -.. py:function:: paddle.fluid.layers.less_than(x, y, force_cpu=None, cond=None, **ignored) +.. py:function:: paddle.fluid.layers.less_than(x, y, force_cpu=None, cond=None) 该函数按元素出现顺序依次在X,Y上操作，并返回 ``Out`` ，它们三个都是n维tensor（张量）。 @@ -2104,9 +2104,9 @@ conv2d - :math:`X` ：输入值，NCHW格式的张量（Tensor） - :math:`W` ：滤波器值，MCHW格式的张量（Tensor） - :math:`*` ： 卷积操作 - - :math:`b` ：Bias值，二维张量（Tensor），shape为[M,1] + - :math:`b` ：Bias值，二维张量（Tensor），shape为 ``[M,1]`` - :math:`\sigma` ：激活函数 - - :math:`Out` ：输出值，*Out*和**X**的shape可能不同 + - :math:`Out` ：输出值，``Out`` 和 ``X`` 的shape可能不同 **示例** @@ -2126,7 +2126,7 @@ conv2d H_{out} = \frac{\left ( H_{in}+2*paddings[0]-\left ( dilations[0]*\left ( H_{f}-1 \right )+1 \right ) \right )}{strides[0]}+1 - W_{out} = \frac{\left ( H_{in}+2*paddings[1]-\left ( dilations[1]*\left ( W_{f}-1 \right )+1 \right ) \right )}{strides[1]}+1 + W_{out} = \frac{\left ( W_{in}+2*paddings[1]-\left ( dilations[1]*\left ( W_{f}-1 \right )+1 \right ) \right )}{strides[1]}+1 参数： - **input** (Variable) - 格式为[N,C,H,W]格式的输入图像 @@ -2191,7 +2191,7 @@ conv2d_transpose - :math:`*` : 卷积操作 - - :math:`b` : 偏置（bias），二维张量，shape为 ``[m,1]`` + - :math:`b` : 偏置（bias），二维张量，shape为 ``[M,1]`` - :math:`σ` : 激活函数 @@ -2230,13 +2230,13 @@ conv2d_transpose - **filter_size** (int|tuple|None) - 滤波器大小。如果filter_size是一个tuple，则形式为(filter_size_H, filter_size_W)。否则，滤波器将是一个方阵。如果filter_size=None，则内部会计算输出大小。 - **padding** (int|tuple) - 填充大小。如果padding是一个元组，它必须包含两个整数(padding_H、padding_W)。否则，padding_H = padding_W = padding。默认:padding = 0。 - **stride** (int|tuple) - 步长大小。如果stride是一个元组，那么元组的形式为(stride_H、stride_W)。否则，stride_H = stride_W = stride。默认:stride = 1。 - - **dilation** (int|元组) - 膨胀大小。如果dilation是一个元组，那么元组的形式为(dilation_H, dilation_W)。否则，dilation_H = dilation_W = dilation_W。默认:dilation= 1。 + - **dilation** (int|元组) - 膨胀(dilation)大小。如果dilation是一个元组，那么元组的形式为(dilation_H, dilation_W)。否则，dilation_H = dilation_W = dilation_W。默认:dilation= 1。 - **groups** (int) - Conv2d转置层的groups个数。从Alex Krizhevsky的CNN Deep论文中的群卷积中受到启发，当group=2时，前半部分滤波器只连接到输入通道的前半部分，而后半部分滤波器只连接到输入通道的后半部分。默认值:group = 1。 - **param_attr** (ParamAttr|None) - conv2d_transfer中可学习参数/权重的属性。如果param_attr值为None或ParamAttr的一个属性，conv2d_transfer使用ParamAttrs作为param_attr的值。如果没有设置的param_attr初始化器，那么使用Xavier初始化。默认值:None。 - **bias_attr** (ParamAttr|bool|None) - conv2d_tran_bias中的bias属性。如果设置为False，则不会向输出单元添加偏置。如果param_attr值为None或ParamAttr的一个属性，将conv2d_transfer使用ParamAttrs作为，bias_attr。如果没有设置bias_attr的初始化器，bias将初始化为零。默认值:None。 - **use_cudnn** (bool) - 是否使用cudnn内核，只有已安装cudnn库时才有效。默认值:True。 - **act** (str) - 激活函数类型，如果设置为None，则不使用激活函数。默认值:None。 - - **name** (str|None) - 该layer的名称(可选)。如果设置为None， 将自动命名该layer。默认值:True。 + - **name** (str|None) - 该layer的名称(可选)。如果设置为None， 将自动命名该layer。默认值:True。 返回： 存储卷积转置结果的张量。 @@ -2283,9 +2283,9 @@ conv3d - :math:`X` ：输入值，NCHW格式的张量（Tensor） - :math:`W` ：滤波器值，MCHW格式的张量（Tensor） - :math:`*` ： 卷积操作 - - :math:`b` ：Bias值，二维张量（Tensor），形为[M,1] + - :math:`b` ：Bias值，二维张量（Tensor），形为 ``[M,1]`` - :math:`\sigma` ：激活函数 - - :math:`Out` ：输出值, 和 :math:`X` 的形状可能不同 + - :math:`Out` ：输出值, 和 ``X`` 的形状可能不同 **示例** @@ -2368,7 +2368,7 @@ conv3d_transpose - :math:`*` : 卷积操作 - - :math:`b` : 偏置（bias），二维张量，shape为[m,1] + - :math:`b` : 偏置（bias），二维张量，shape为 ``[M,1]`` - :math:`σ` : 激活函数 @@ -4428,11 +4428,11 @@ im2sequence 参数: - **input** （Variable）- 输入张量，格式为[N, C, H, W] - **filter_size** (int|tuple|None) - 滤波器大小。如果filter_size是一个tuple，它必须包含两个整数(filter_size_H, filter_size_W)。否则，过滤器将是一个方阵。 - - **stride** (int|tuple) - 步长大小。如果stride是一个元组，它必须包含两个整数(stride_H、stride_W)。否则，stride_H = stride_W = stride。默认:stride = 1。 - - **padding** (int|tuple) - 填充大小。如果padding是一个元组，它可以包含两个整数(padding_H, padding_W)，这意味着padding_up = padding_down = padding_H和padding_left = padding_right = padding_W。或者它可以使用(padding_up, padding_left, padding_down, padding_right)来指示四个方向的填充。否则，标量填充意味着padding_up = padding_down = padding_left = padding_right = padding Default: padding = 0。 - - **input_image_size** (Variable) - 输入包含图像的实际大小。它的维度为[batchsize，2]。该参数可有可无，是用于batch推理。 - - **out_stride** (int|tuple) - 通过CNN缩放图像。它可有可无，只有当input_image_size不为空时才有效。如果out_stride是tuple，它必须包含(out_stride_H, out_stride_W)，否则，out_stride_H = out_stride_W = out_stride。 - - **name** (int) - 该layer的名称，可以忽略。 + - **stride** (int|tuple) - 步长大小。如果stride是一个元组，它必须包含两个整数(stride_H、stride_W)。否则，stride_H = stride_W = stride。默认:stride = 1。 + - **padding** (int|tuple) - 填充大小。如果padding是一个元组，它可以包含两个整数(padding_H, padding_W)，这意味着padding_up = padding_down = padding_H和padding_left = padding_right = padding_W。或者它可以使用(padding_up, padding_left, padding_down, padding_right)来指示四个方向的填充。否则，标量填充意味着padding_up = padding_down = padding_left = padding_right = padding Default: padding = 0。 + - **input_image_size** (Variable) - 输入包含图像的实际大小。它的维度为[batchsize，2]。该参数可有可无，是用于batch上的预测。 + - **out_stride** (int|tuple) - 通过CNN缩放图像。它可有可无，只有当input_image_size不为空时才有效。如果out_stride是tuple，它必须包含(out_stride_H, out_stride_W)，否则，out_stride_H = out_stride_W = out_stride。 + - **name** (int) - 该layer的名称，可以忽略。 返回： LoDTensor shaoe为{batch_size * output_height * output_width, filter_size_H * filter_size_W * input.channels}。如果将输出看作一个矩阵，这个矩阵的每一行都是一个序列的step。 @@ -6082,7 +6082,7 @@ pooling2d操作符根据 ``input`` ， 池化类型 ``pool_type`` ， 池化核 参数： - **input** (Variable) - 池化操作的输入张量。输入张量格式为NCHW，N为批尺寸，C是通道数，H是特征高度，W是特征宽度 - - **pool_size** (int|list|tuple) - 池化窗口的大小。如果它是一个元组或列表，它必须包含两个整数值， (pool_size_Height, pool_size_Width)。否则它应是一个整数的平方值。 + - **pool_size** (int|list|tuple) - 池化核的大小。如果它是一个元组或列表，它必须包含两个整数值， (pool_size_Height, pool_size_Width)。若为一个整数，则它的平方值将作为池化核大小，比如若pool_size=2, 则池化核大小为2x2。 - **pool_type** (string) - 池化类型，可以是“max”对应max-pooling，“avg”对应average-pooling - **pool_stride** (int|list|tuple) - 池化层的步长。如果它是一个元组或列表，它将包含两个整数，(pool_stride_Height, pool_stride_Width)。否则它是一个整数的平方值。 - **pool_padding** (int|list|tuple) - 填充大小。如果它是一个元组或列表，它必须包含两个整数值，(pool_padding_on_Height, pool_padding_on_Width)。否则它是一个整数的平方值。 @@ -6215,8 +6215,13 @@ prelu 返回类型： 变量（Variable） +**代码示例：** +.. code-block:: python + x = fluid.layers.data(name="x", shape=[10,10], dtype="float32") + mode = 'channel' + output = fluid.layers.prelu(x,mode) .. _cn_api_fluid_layers_psroi_pool: @@ -8155,7 +8160,7 @@ sigmoid_cross_entropy_with_logits .. py:function:: paddle.fluid.layers.sigmoid_cross_entropy_with_logits(x, label, name=None) -在类别不相互独立的分类任务中，该函数可以衡量按元素顺序的可能性误差。可以这么认为，为单一数据点预测标签，它们之间不是完全互斥的关系。例如，一篇新闻文章可以同时关于政治，科技，体育或者同时不包含这些内容。 +在类别不相互独立的分类任务中，该函数可以衡量按元素的可能性误差。可以这么认为，为单一数据点预测标签，它们之间不是完全互斥的关系。例如，一篇新闻文章可以同时关于政治，科技，体育或者同时不包含这些内容。 逻辑loss可通过下式计算： @@ -8177,7 +8182,7 @@ sigmoid_cross_entropy_with_logits .. math:: loss = max(X, 0) - X * Labels + log(1 + exp(-|X|)) -输入 ``X`` 和 ``label`` 都可以携带LoD信息。当输出仅采用输入 ``X`` 的LoD。 +输入 ``X`` 和 ``label`` 都可以携带LoD信息。然而输出仅采用输入 ``X`` 的LoD。 @@ -9207,12 +9212,14 @@ abs .. py:function:: paddle.fluid.layers.abs(x, name=None) +绝对值运算激活函数。 + +.. math:: + out = |x| 参数: - **x** - abs运算符的输入 - - **use_mkldnn** (bool) - （默认为false）仅在 ``mkldnn`` 内核中使用 - - + 返回： Abs运算符的输出。 @@ -9232,10 +9239,15 @@ ceil .. py:function:: paddle.fluid.layers.ceil(x, name=None) +天花板运算激活函数。 + +.. math:: + out = \left \lceil x \right \rceil + + 参数: - **x** - Ceil运算符的输入 - - **use_mkldnn** (bool) - （默认为false）仅在 ``mkldnn`` 内核中使用 返回： Ceil运算符的输出。 @@ -9255,11 +9267,17 @@ cos .. py:function:: paddle.fluid.layers.cos(x, name=None) +Cosine余弦激活函数。 + +.. math:: + + out = cos(x) + 参数: - **x** - cos运算符的输入 - - **use_mkldnn** (bool) - （默认为false）仅在 ``mkldnn`` 内核中使用 + 返回： Cos运算符的输出 @@ -9310,11 +9328,15 @@ exp ------------------------------- .. py:function:: paddle.fluid.layers.exp(x, name=None) - + +Exp激活函数(Exp指以自然常数e为底的指数运算)。 + +.. math:: + out = e^x 参数: - **x** - Exp运算符的输入 - - **use_mkldnn** (bool) - （默认为false）仅在 ``mkldnn`` 内核中使用 + 返回： Exp算子的输出 @@ -9335,10 +9357,15 @@ floor .. py:function:: paddle.fluid.layers.floor(x, name=None) +地板运算激活函数。 + +.. math:: + out = \left \lfloor x \right \rfloor + 参数: - **x** - Floor运算符的输入 - - **use_mkldnn** (bool) - （默认为false）仅在 ``mkldnn`` 内核中使用 + 返回： Floor运算符的输出。 @@ -9397,12 +9424,17 @@ logsigmoid ------------------------------- .. py:function:: paddle.fluid.layers.logsigmoid(x, name=None) - + +Logsigmoid激活函数。 + + +.. math:: + + out = \log \frac{1}{1 + e^{-x}} 参数: - **x** - LogSigmoid运算符的输入 - - **use_mkldnn** (bool) - （默认为False）仅在 ``mkldnn`` 内核中使用 返回： LogSigmoid运算符的输出 @@ -9422,10 +9454,14 @@ reciprocal .. py:function:: paddle.fluid.layers.reciprocal(x, name=None) +Reciprocal（取倒数）激活函数 + + +.. math:: + out = \frac{1}{x} 参数: - **x** - Ceil运算符的输入 - - **use_mkldnn** (bool) - （默认为false）仅在 ``mkldnn`` 内核中使用 返回： Reciprocal运算符的输出。 @@ -9448,10 +9484,15 @@ round .. py:function:: paddle.fluid.layers.round(x, name=None) +Round取整激活函数。 + + +.. math:: + out = [x] + 参数: - **x** - Ceil运算符的输入 - - **use_mkldnn** (bool) - （默认为false）仅在 ``mkldnn`` 内核中使用 返回： Round运算符的输出。 @@ -9470,13 +9511,15 @@ sigmoid ------------------------------- .. py:function:: paddle.fluid.layers.sigmoid(x, name=None) - + +sigmoid激活函数 + +.. math:: + out = \frac{1}{1 + e^{-x}} 参数: - **x** - Sigmoid运算符的输入 - - **use_mkldnn** (bool) - （默认为false）仅在 ``mkldnn`` 内核中使用 - 返回： Sigmoid运算输出. @@ -9496,10 +9539,15 @@ sin .. py:function:: paddle.fluid.layers.sin(x, name=None) +正弦sine激活函数。 + +.. math:: + out = sin(x) + 参数: - **x** - sin运算符的输入 - - **use_mkldnn** (bool) - （默认为false）仅在 ``mkldnn`` 内核中使用 + 返回： Sin运算符的输出。 @@ -9520,9 +9568,13 @@ softplus .. py:function:: paddle.fluid.layers.softplus(x,name=None) +softplus激活函数。 + +.. math:: + out = \ln(1 + e^{x}) + 参数： - **x** : Softplus操作符的输入 - - **use_mkldnn** (bool, 默认false) - 仅在mkldnn核中使用 返回：Softplus操作后的结果 @@ -9572,9 +9624,15 @@ softsign .. py:function:: Paddle.fluid.layers.softsign(x,name=None) + +softsign激活函数。 + +.. math:: + out = \frac{x}{1 + |x|} + 参数： - **x** : Softsign操作符的输入 - - **use_mkldnn** (bool, 默认false) - 仅在mkldnn核中使用 + 返回：Softsign操作后的结果 @@ -9593,10 +9651,13 @@ sqrt .. py:function:: paddle.fluid.layers.sqrt(x, name=None) +算数平方根激活函数。 + +.. math:: + out = \sqrt{x} 参数: - **x** - Sqrt运算符的输入 - - **use_mkldnn** (bool) - （默认为false）仅在 ``mkldnn`` 内核中使用 返回： Sqrt算子的输出。 @@ -9617,9 +9678,14 @@ square .. py:function:: paddle.fluid.layers.square(x,name=None) +取平方激活函数。 + +.. math:: + out = x^2 + 参数: - **x** : 平方操作符的输入 - - **use_mkldnn** (bool, 默认false) 仅在mkldnn核中使用 + 返回：平方后的结果 @@ -9637,13 +9703,18 @@ tanh ------------------------------- .. py:function:: paddle.fluid.layers.tanh(x, name=None) - + + + + +tanh 激活函数。 + +.. math:: + out = \frac{e^{x} - e^{-x}}{e^{x} + e^{-x}} 参数: - **x** - Tanh运算符的输入 - - **use_mkldnn** (bool) - （默认为false）仅在 ``mkldnn`` 内核中使用 - 返回： Tanh算子的输出。 @@ -9664,10 +9735,13 @@ tanh_shrink .. py:function:: paddle.fluid.layers.tanh_shrink(x, name=None) +tanh_shrink激活函数。 + +.. math:: + out = x - \frac{e^{x} - e^{-x}}{e^{x} + e^{-x}} 参数: - **x** - TanhShrink运算符的输入 - - **use_mkldnn** (bool)- （默认为false）仅在 ``mkldnn`` 内核中使用 返回： tanh_shrink算子的输出 @@ -10127,7 +10201,7 @@ fill_constant_batch_size_like 该功能创建一个张量，含有具体的shape,dtype和batch尺寸。并用 ``Value`` 中提供的常量初始化该张量。该批尺寸从输入张量中获取。它还将stop_gradient设置为True. 参数： - - **input** (Variable)-张量，其input_dim_idx个维具体指示batch_size + - **input** (Variable)-张量，其第input_dim_idx维可指定batch_size - **shape** (INTS)-输出的形状 - **dtype** (INT)-可以为numpy.dtype。输出数据类型。默认为float32 - **value** (FLOAT)-默认为0.将要被填充的值 @@ -10711,21 +10785,21 @@ anchor_generator **Anchor generator operator** -为快速RCNN算法生成锚，输入的每一位产生N个锚，N=size(anchor_sizes)*size(aspect_ratios)。生成锚的顺序首先是aspect_ratios循环，然后是anchor_sizes循环。 +为Faster RCNN算法生成anchor，输入的每一位产生N个anchor，N=size(anchor_sizes)*size(aspect_ratios)。生成anchor的顺序首先是aspect_ratios循环，然后是anchor_sizes循环。 参数： - **input** (Variable) - 输入特征图，格式为NCHW - - **anchor_sizes** (list|tuple|float) - 生成锚的锚大小，以绝对像素的形式表示，例如：[64.,128.,256.,512.]若锚的大小为64，则意味着这个锚的面积等于64**2。 - - **aspect_ratios** (list|tuple|float) - 生成锚的高宽比，例如[0.5,1.0,2.0] + - **anchor_sizes** (list|tuple|float) - 生成anchor的anchor大小，以绝对像素的形式表示，例如：[64.,128.,256.,512.]若anchor的大小为64，则意味着这个anchor的面积等于64**2。 + - **aspect_ratios** (list|tuple|float) - 生成anchor的高宽比，例如[0.5,1.0,2.0] - **variance** (list|tuple) - 变量，在框回归delta中使用。默认：[0.1,0.1,0.2,0.2] - - **stride** (list|tuple) - 锚在宽度和高度方向上的步长，比如[16.0,16.0] + - **stride** (list|tuple) - anchor在宽度和高度方向上的步长，比如[16.0,16.0] - **offset** (float) - 先验框的中心位移。默认：0.5 - **name** (str) - 先验框操作符名称。默认：None 返回： - Anchors(Varibale): 输出anchor，布局[H,W,num_anchors,4] , ``H`` 是输入的高度， ``W`` 是输入的宽度， ``num_priors`` 是输入每位的框数,每个anchor格式（未归一化）为(xmin,ymin,xmax,ymax) - - Variances(Variable): 锚的扩展变量布局为 [H,W,num_priors,4]。 ``H`` 是输入的高度， ``W`` 是输入的宽度， ``num_priors`` 是输入每个位置的框数,每个变量的格式为(xcenter,ycenter,w,h)。 + - Variances(Variable): anchor的扩展变量布局为 [H,W,num_priors,4]。 ``H`` 是输入的高度， ``W`` 是输入的宽度， ``num_priors`` 是输入每个位置的框数,每个变量的格式为(xcenter,ycenter,w,h)。 返回类型：anchor（Variable) @@ -11246,7 +11320,7 @@ generate_proposals 生成proposal的Faster-RCNN -该操作根据每个框为foreground（前景）对象的概率，并且通过锚（anchors）来计算这些框，进而提出RoI。Bbox_deltais和一个objects的分数作为是RPN的输出。最终 ``proposals`` 可用于训练检测网络。 +该操作根据每个框为foreground（前景）对象的概率，并且通过anchors来计算这些框，进而提出RoI。Bbox_deltais和一个objects的分数作为是RPN的输出。最终 ``proposals`` 可用于训练检测网络。 为了生成 ``proposals`` ，此操作执行以下步骤： @@ -11574,7 +11648,7 @@ rpn_target_assign (ii) 具有IoU重叠的anchors高于带有任何真实框（ground-truth box）的rpn_positive_overlap0（0.7）。 -请注意，单个真实框（ground-truth box）可以为多个anchors分配正标签。对于所有真实框（ground-truth box），非正向锚是指其IoU比率低于rpn_negative_overlap（0.3）。既不是正也不是负的anchors对训练目标没有价值。回归目标是与positive anchors相关联而编码的图片真实框。 +请注意，单个真实框（ground-truth box）可以为多个anchors分配正标签。对于所有真实框（ground-truth box），非正向anchor是指其IoU比率低于rpn_negative_overlap（0.3）。既不是正也不是负的anchors对训练目标没有价值。回归目标是与positive anchors相关联而编码的图片真实框。 参数： - **bbox_pred** （Variable）- 是一个shape为[N，M，4]的3-D Tensor，表示M个边界框的预测位置。N是批量大小，每个边界框有四个坐标值，即[xmin，ymin，xmax，ymax]。 -- GitLab