Conv3DTranspose 層

[原始碼]

Conv3DTranspose 類別

tf_keras.layers.Conv3DTranspose(
    filters,
    kernel_size,
    strides=(1, 1, 1),
    padding="valid",
    output_padding=None,
    data_format=None,
    dilation_rate=(1, 1, 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
)

轉置卷積層（有時稱為反卷積）。

通常會需要轉置卷積是因為想要使用與一般卷積相反方向的轉換，也就是，從某些具有卷積輸出形狀的內容轉換為具有卷積輸入形狀的內容，同時維持與該卷積相容的連通性模式。

當使用此層作為模型中的第一層時，請提供關鍵字參數 input_shape（整數或 None 的元組，不包含樣本軸），例如，如果 data_format="channels_last"，則對於具有 3 個通道的 128x128x128 體積，為 input_shape=(128, 128, 128, 3)。

參數

• filters：整數，輸出空間的維度（即卷積中的輸出濾波器數量）。
• 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，指定卷積沿著深度、高度和寬度的步幅。 可以是單個整數，以指定所有空間維度的相同值。 指定任何步幅值 != 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" 會在輸入的左/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。
• output_padding：一個整數或 3 個整數的元組/列表，指定沿著深度、高度和寬度的填充量。 可以是單個整數，以指定所有空間維度的相同值。沿著給定維度的輸出填充量必須低於沿著同一維度的步幅。如果設定為 None（預設值），則會推斷輸出形狀。
• data_format：一個字串，為 channels_last（預設值）或 channels_first 之一。輸入中維度的順序。channels_last 對應於形狀為 (batch_size, depth, height, width, channels) 的輸入，而 channels_first 對應於形狀為 (batch_size, channels, depth, height, width) 的輸入。如果未指定，則使用在您的 Keras 設定檔 ~/.keras/keras.json（如果存在）中找到的 image_data_format 值，否則使用 'channels_last'。預設為 'channels_last'。
• dilation_rate：一個整數或 3 個整數的元組/列表，指定用於擴張卷積的擴張率。 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 與指定任何步幅值 != 1 不相容。
• activation：要使用的激活函數。 如果您沒有指定任何內容，則不會套用任何激活（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：套用於 kernel 權重矩陣的正規化函數（請參閱 keras.regularizers）。
• bias_regularizer：套用於偏差向量的正規化函數（請參閱 keras.regularizers）。
• activity_regularizer：套用於該層輸出（其「激活」）的正規化函數（請參閱 keras.regularizers）。
• kernel_constraint：套用於核心矩陣的約束函數（請參閱 keras.constraints）。
• bias_constraint：套用於偏差向量的約束函數（請參閱 keras.constraints）。

輸入形狀

如果 data_format='channels_first'，則為形狀為 (batch_size, channels, depth, rows, cols) 的 5D 張量，如果 data_format='channels_last'，則為形狀為 (batch_size, depth, rows, cols, channels) 的 5D 張量。

輸出形狀

如果 data_format='channels_first'，則為形狀為 (batch_size, filters, new_depth, new_rows, new_cols) 的 5D 張量，如果 data_format='channels_last'，則為形狀為 (batch_size, new_depth, new_rows, new_cols, filters) 的 5D 張量。depth 和 rows 和 cols 值可能會因填充而發生變化。如果指定了 output_padding：

new_depth = ((depth - 1) * strides[0] + kernel_size[0] - 2 * padding[0] +
output_padding[0])
new_rows = ((rows - 1) * strides[1] + kernel_size[1] - 2 * padding[1] +
output_padding[1])
new_cols = ((cols - 1) * strides[2] + kernel_size[2] - 2 * padding[2] +
output_padding[2])

回傳

代表 activation(conv3dtranspose(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。

參考資料

• 深度學習卷積算術指南
  • 反卷積網路