► Keras 2 API 文档 / 层 API / 卷积层 / Conv3D 层

Conv3D 层

`Conv3D` 类

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 卷积层（例如，体积上的空间卷积）。

此层创建一个卷积核，该卷积核与层输入进行卷积以产生输出张量。如果 use_bias 为 True，则创建一个偏差向量并将其添加到输出中。最后，如果 activation 不为 None，则将其应用于输出。

在模型中将此层用作第一层时，请提供关键字参数 input_shape（整数元组或 None，不包括样本轴），例如，在 data_format="channels_last" 中，对于具有单个通道的 128x128x128 体积，input_shape=(128, 128, 128, 1)。

示例

>>> # 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)

参数

filters：整数，输出空间的维度（即卷积中输出滤波器的数量）。
kernel_size：整数或 3 个整数的元组/列表，指定 3D 卷积窗口的深度、高度和宽度。可以是单个整数以指定所有空间维度的相同值。
strides：整数或 3 个整数的元组/列表，指定沿每个空间维度卷积的步长。可以是单个整数以指定所有空间维度的相同值。指定任何步长值 != 1 与指定任何 dilation_rate 值 != 1 不兼容。
padding："valid" 或 "same" 之一（不区分大小写）。"valid" 表示不填充。"same" 会导致在输入的左侧/右侧或上下方用零均匀填充，以便输出具有与输入相同的宽度/高度维度。
data_format：字符串，channels_last（默认值）或 channels_first 之一。输入中维度的顺序。channels_last 对应于形状为 batch_shape + (spatial_dim1, spatial_dim2, spatial_dim3, channels) 的输入，而 channels_first 对应于形状为 batch_shape + (channels, spatial_dim1, spatial_dim2, spatial_dim3) 的输入。如果未指定，则使用 TF-Keras 配置文件（如果存在）中 ~/.keras/keras.json 中找到的 image_data_format 值，否则为 'channels_last'。请注意，TensorFlow 在 CPU 上目前不支持 channels_first 格式。默认为 'channels_last'。
dilation_rate：整数或 3 个整数的元组/列表，指定用于膨胀卷积的膨胀率。可以是单个整数以指定所有空间维度的相同值。当前，指定任何 dilation_rate 值 != 1 与指定任何步长值 != 1 不兼容。
groups：一个正整数，指定输入沿通道轴分割成的组数。每组单独使用 filters / groups 个滤波器进行卷积。输出是所有 groups 结果沿通道轴的连接。输入通道和 filters 都必须可被 groups 整除。
activation：要使用的激活函数。如果未指定任何内容，则不应用任何激活（请参阅 keras.activations）。
use_bias：布尔值，指示层是否使用偏差向量。
kernel_initializer：kernel 权重矩阵的初始化器（请参阅 keras.initializers）。默认为 'glorot_uniform'。
bias_initializer：偏差向量的初始化器（请参阅 keras.initializers）。默认为 'zeros'。
kernel_regularizer：应用于 kernel 权重矩阵的正则化函数（请参阅 keras.regularizers）。
bias_regularizer：应用于偏差向量的正则化函数（请参阅 keras.regularizers）。
activity_regularizer：应用于层输出（其“激活”）的正则化函数（请参阅 keras.regularizers）。
kernel_constraint：应用于核矩阵的约束函数（请参阅 keras.constraints）。
bias_constraint：应用于偏差向量的约束函数（请参阅 keras.constraints）。

输入形状

如果 data_format='channels_first'，则为形状为 batch_shape + (channels, conv_dim1, conv_dim2, conv_dim3) 的 5+D 张量；如果 data_format='channels_last'，则为形状为 batch_shape + (conv_dim1, conv_dim2, conv_dim3, channels) 的 5+D 张量。

输出形状

如果 data_format='channels_first'，则为形状为 batch_shape + (filters, new_conv_dim1, new_conv_dim2, new_conv_dim3) 的 5+D 张量；如果 data_format='channels_last'，则为形状为 batch_shape + (new_conv_dim1, new_conv_dim2, new_conv_dim3, filters) 的 5+D 张量。由于填充，new_conv_dim1、new_conv_dim2 和 new_conv_dim3 值可能已更改。

返回值

一个秩为 5+ 的张量，表示 activation(conv3d(inputs, kernel) + bias)。

引发异常

ValueError：如果 padding 为“causal”。
ValueError：当 strides > 1 和 dilation_rate > 1 时。

Conv3D 层

Conv3D 类

Conv3D 层

Conv3D 类

`Conv3D` 类