从零开始编写深度学习库（五）Eigen Tensor学习笔记2.0_eigen 深度学习

1、extract_image_patches函数的使用：

假设Eigen::Tensor形状为(3,8,8,9),现在要对第二维、第三维根据size大小为(2,2),stride=(2,2)，那么如果tensor类型是rowmajor类型，那么经过extract_image_patches后的数据就是(3,4*4,2,2,9)的5维数组，如果tensor类型是colmajor类型，那么得到的数据就是(3,2,2,4*4,9)的五维数组。

		Eigen::array<int, 2> reduction_dims{2,3};
		Tensor5xf patches = bottom.extract_image_patches(m_hksize, m_wksize, m_hstride, m_wstride, 1,1, Eigen::PADDING_VALID);
		//std::cout << "post_reduce_dims"<<  post_reduce_dims << std::endl;
 
		Tensor3xf pooling.device() = patches.maximum(reduction_dims);	
		top=pooling.reshape(post_reduce_dims);

另外需要注意的是如果size大小为(3,2)，那么如果是rowmajor那么数组的形状将是(3,*,2,3,9);如果是colmajor那么数组的形状将是(3,*,3,2,9)

2、降维统计

Eigen::array<int, 2> reduction_dims{2,3};
patches.mean(reduction_dims);//求取第2、3维度的平均值
patches.maximum(reduction_dims);//求取第2、3维度的最大值

3、数据存储方式交换：swap_layout()

比如如果Tensor变量是 colmajor，可以调用该函数，返回的新tensor就是rowmajor格式。

4、