► Keras 2 API 文件 / 層 API / 卷積層 / Conv3D 層

Conv3D 層

`Conv3D` 類別

tf_keras.layers.Conv3D(
    filters,
    kernel_size,
    strides=(1, 1, 1),
    padding="valid",
    data_format=None,
    dilation_rate=(1, 1, 1),
    groups=1,
    activation=None,
    use_bias=True,
    kernel_initializer="glorot_uniform",
    bias_initializer="zeros",
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    **kwargs
)

3D 卷積層 (例如，在體積上的空間卷積)。

此層創建一個卷積核，該卷積核與層輸入進行卷積以產生輸出張量。如果 use_bias 為 True，則會創建一個偏差向量並將其添加到輸出中。最後，如果 activation 不是 None，則也會將其應用於輸出。

當將此層用作模型中的第一層時，請提供關鍵字參數 input_shape（整數或 None 的元組，不包括樣本軸），例如 input_shape=(128, 128, 128, 1) 用於具有單通道的 128x128x128 體積，在 data_format="channels_last" 中。

範例

>>> # The inputs are 28x28x28 volumes with a single channel, and the
>>> # batch size is 4
>>> input_shape =(4, 28, 28, 28, 1)
>>> x = tf.random.normal(input_shape)
>>> y = tf.keras.layers.Conv3D(
... 2, 3, activation='relu', input_shape=input_shape[1:])(x)
>>> print(y.shape)
(4, 26, 26, 26, 2)

>>> # With extended batch shape [4, 7], e.g. a batch of 4 videos of
>>> # 3D frames, with 7 frames per video.
>>> input_shape = (4, 7, 28, 28, 28, 1)
>>> x = tf.random.normal(input_shape)
>>> y = tf.keras.layers.Conv3D(
... 2, 3, activation='relu', input_shape=input_shape[2:])(x)
>>> print(y.shape)
(4, 7, 26, 26, 26, 2)

參數

filters：整數，輸出空間的維度（即卷積中輸出濾波器的數量）。
kernel_size：一個整數或 3 個整數的元組/列表，指定 3D 卷積窗口的深度、高度和寬度。可以是單個整數，以指定所有空間維度的相同值。
strides：一個整數或 3 個整數的元組/列表，指定沿每個空間維度的卷積步長。可以是單個整數，以指定所有空間維度的相同值。指定任何步長值 != 1 與指定任何 dilation_rate 值 != 1 不相容。
padding："valid" 或 "same" (不區分大小寫) 之一。 "valid" 表示不填充。 "same" 導致在輸入的左/右或上/下均勻填充零，使輸出具有與輸入相同的高度/寬度維度。
data_format：一個字串，為 channels_last (預設) 或 channels_first 之一。輸入中維度的順序。 channels_last 對應於形狀為 batch_shape + (spatial_dim1, spatial_dim2, spatial_dim3, channels) 的輸入，而 channels_first 對應於形狀為 batch_shape + (channels, spatial_dim1, spatial_dim2, spatial_dim3) 的輸入。如果未指定，則使用在您的 TF-Keras 設定檔 (位於 ~/.keras/keras.json，如果存在) 中找到的 image_data_format 值，否則使用 'channels_last'。請注意，目前 TensorFlow 在 CPU 上不支援 channels_first 格式。預設為 'channels_last'。
dilation_rate：一個整數或 3 個整數的元組/列表，指定用於空洞卷積的膨脹率。可以是單個整數，以指定所有空間維度的相同值。目前，指定任何 dilation_rate 值 != 1 與指定任何步長值 != 1 不相容。
groups：一個正整數，指定沿通道軸分割輸入的群組數量。每個群組都與 filters / groups 個濾波器單獨卷積。輸出是沿通道軸的所有 groups 結果的串聯。輸入通道和 filters 都必須可被 groups 整除。
activation：要使用的激活函數。如果未指定任何內容，則不會應用激活 (請參閱 keras.activations)。
use_bias：布林值，表示該層是否使用偏差向量。
kernel_initializer：kernel 權重矩陣的初始化器 (請參閱 keras.initializers)。預設為 'glorot_uniform'。
bias_initializer：偏差向量的初始化器 (請參閱 keras.initializers)。預設為 'zeros'。
kernel_regularizer：應用於 kernel 權重矩陣的正規化函數 (請參閱 keras.regularizers)。
bias_regularizer：應用於偏差向量的正規化函數 (請參閱 keras.regularizers)。
activity_regularizer：應用於層輸出 (其「激活」) 的正規化函數 (請參閱 keras.regularizers)。
kernel_constraint：應用於核心矩陣的約束函數 (請參閱 keras.constraints)。
bias_constraint：應用於偏差向量的約束函數 (請參閱 keras.constraints)。

輸入形狀

形狀為 5+D 的張量：如果 data_format='channels_first'，則為 batch_shape + (channels, conv_dim1, conv_dim2, conv_dim3)，如果 data_format='channels_last'，則為形狀為 5+D 的張量：batch_shape + (conv_dim1, conv_dim2, conv_dim3, channels)。

輸出形狀

形狀為 5+D 的張量：如果 data_format='channels_first'，則為 batch_shape + (filters, new_conv_dim1, new_conv_dim2, new_conv_dim3)，如果 data_format='channels_last'，則為形狀為 5+D 的張量：batch_shape + (new_conv_dim1, new_conv_dim2, new_conv_dim3, filters)。由於填充，new_conv_dim1、new_conv_dim2 和 new_conv_dim3 的值可能會發生變化。

一個表示 activation(conv3d(inputs, kernel) + bias) 的 5+ 階張量。

引發

ValueError：如果 padding 為 "causal"。
ValueError：當 strides > 1 和 dilation_rate > 1 時。

Conv3D 層

Conv3D 類別

Conv3D 層

Conv3D 類別

`Conv3D` 類別