► Keras 2 API 文档 / 层 API / 循环层 / ConvLSTM3D 层

ConvLSTM3D 层

[源代码]

ConvLSTM3D 类

tf_keras.layers.ConvLSTM3D(
    filters,
    kernel_size,
    strides=(1, 1, 1),
    padding="valid",
    data_format=None,
    dilation_rate=(1, 1, 1),
    activation="tanh",
    recurrent_activation="hard_sigmoid",
    use_bias=True,
    kernel_initializer="glorot_uniform",
    recurrent_initializer="orthogonal",
    bias_initializer="zeros",
    unit_forget_bias=True,
    kernel_regularizer=None,
    recurrent_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    recurrent_constraint=None,
    bias_constraint=None,
    return_sequences=False,
    return_state=False,
    go_backwards=False,
    stateful=False,
    dropout=0.0,
    recurrent_dropout=0.0,
    **kwargs
)

3D 卷积 LSTM。

类似于 LSTM 层，但输入变换和循环变换都是卷积的。

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 n 个整数的元组/列表，指定卷积窗口的维度。
  • strides: 整数或 n 个整数的元组/列表，指定卷积的步长。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" 会导致在输入的左右或上下均匀填充，以便输出具有与输入相同的 height/width 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, time, ..., channels) 的输入，而 channels_first 对应于形状为 (batch, time, channels, ...) 的输入。如果未指定，则使用 TF-Keras 配置文件 ~/.keras/keras.json（如果存在）中找到的 image_data_format 值，否则为 'channels_last'。默认为 'channels_last'。
  • dilation_rate: 整数或 n 个整数的元组/列表，指定用于扩张卷积的扩张率。目前，指定任何 dilation_rate 值 != 1 与指定任何 strides 值 != 1 不兼容。
  • activation: 要使用的激活函数。默认情况下应用双曲正切激活函数 (tanh(x))。
  • recurrent_activation: 用于循环步骤的激活函数。
  • use_bias: 布尔值，指示层是否使用偏差向量。
  • kernel_initializer: 用于输入线性变换的 kernel 权重矩阵的初始化器。
  • recurrent_initializer: 用于循环状态线性变换的 recurrent_kernel 权重矩阵的初始化器。
  • bias_initializer: 偏差向量的初始化器。
  • unit_forget_bias: 布尔值。如果为 True，则在初始化时将 1 添加到遗忘门的偏差。与 bias_initializer="zeros" 结合使用。这在 Jozefowicz 等人，2015 中推荐。
  • kernel_regularizer: 应用于 kernel 权重矩阵的正则化函数。
  • recurrent_regularizer: 应用于 recurrent_kernel 权重矩阵的正则化函数。
  • bias_regularizer: 应用于偏差向量的正则化函数。
  • activity_regularizer: 应用于的正则化函数。
  • kernel_constraint: 应用于 kernel 权重矩阵的约束函数。
  • recurrent_constraint: 应用于 recurrent_kernel 权重矩阵的约束函数。
  • bias_constraint: 应用于偏差向量的约束函数。
  • return_sequences: 布尔值。是否返回输出序列中的最后一个输出，或返回完整的序列。（默认值 False）
  • return_state: 布尔值。是否除了输出之外还返回最后一个状态。（默认值 False）
  • go_backwards: 布尔值（默认值 False）。如果为 True，则向后处理输入序列。
  • stateful: 布尔值（默认值 False）。如果为 True，则批次中索引 i 的每个样本的最后一个状态将用作后续批次中索引 i 的样本的初始状态。
  • dropout: 0 到 1 之间的浮点数。输入线性变换中要丢弃的单元的分数。
  • recurrent_dropout: 0 到 1 之间的浮点数。循环状态线性变换中要丢弃的单元的分数。

调用参数

  • inputs: 6D 张量。
  • mask: 形状为 (samples, timesteps) 的二元张量，指示是否应屏蔽给定的时间步长。
  • training: Python 布尔值，指示层应该以训练模式还是推理模式运行。在调用单元时将此参数传递给单元。仅当设置了 dropout 或 recurrent_dropout 时，这才是相关的。
  • initial_state: 要传递到单元第一次调用的初始状态张量的列表。

输入形状 - 如果 data_format='channels_first'

6D 张量，形状为：(samples, time, channels, rows, cols, depth) - 如果 data_format='channels_last' 5D 张量，形状为：(samples, time, rows, cols, depth, channels)

输出形状

  • 如果 return_state：张量的列表。第一个张量是输出。其余张量是最后一个状态，每个 5D 张量的形状为：(samples, filters, new_rows, new_cols, new_depth)（如果 data_format='channels_first'）或形状为：(samples, new_rows, new_cols, new_depth, filters)（如果 data_format='channels_last'）。由于填充，rows、cols 和 depth 值可能已更改。
  • 如果 return_sequences：6D 张量，形状为：(samples, timesteps, filters, new_rows, new_cols, new_depth)（如果 data_format='channels_first'）或形状为：(samples, timesteps, new_rows, new_cols, new_depth, filters)（如果 data_format='channels_last'）。
  • 否则，5D 张量，形状为：(samples, filters, new_rows, new_cols, new_depth)（如果 data_format='channels_first'）或形状为：(samples, new_rows, new_cols, new_depth, filters)（如果 data_format='channels_last'）。

引发

  • ValueError: 如果构造函数参数无效。

参考文献

ConvLSTM3D 层
ConvLSTM3D 类