Python tf.keras.layers.Conv3D用法及代码示例

3D 卷积层(例如，体积上的空间卷积)。

继承自：Layer，Module

用法

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
)

该层创建一个卷积核，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，则会创建一个偏置向量并将其添加到输出中。最后，如果 activation 不是 None ，它也会应用于输出。

当将此层用作模型中的第一层时，请提供关键字参数 input_shape(整数元组或 None ，不包括样本轴)，例如input_shape=(128, 128, 128, 1) 用于具有单通道的 128x128x128 卷，在 data_format="channels_last" 中。

例子：

# 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)

输入形状：

具有形状的 5+D 张量：batch_shape + (channels, conv_dim1, conv_dim2, conv_dim3)如果 data_format='channels_first' 或具有形状的 5+D 张量：batch_shape + (conv_dim1, conv_dim2, conv_dim3, channels)如果data_format='channels_last'。

输出形状：

5+D 张量，形状：batch_shape + (filters, new_conv_dim1, new_conv_dim2, new_conv_dim3) if data_format='channels_first' 或 5+D 张量，形状：batch_shape + (new_conv_dim1, new_conv_dim2, new_conv_dim3, filters) if data_format='channels_last'。 new_conv_dim1 、 new_conv_dim2 和 new_conv_dim3 值可能由于填充而发生了变化。