ConvLSTM3D 层

[源]

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，但输入转换和循环转换都是卷积的。

参数

• filters：整数，输出空间的维度（即卷积中的输出滤波器数量）。
• 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" 表示不进行填充。"same" 会在输入的左/右、上/下、前/后均匀填充，使得输出在高度、宽度和深度维度上与输入相同。
• data_format：字符串，channels_last（默认）或 channels_first 之一。输入的维度顺序。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。未指定时，使用在 ~/.keras/keras.json 中的 TF-Keras 配置文件中找到的 image_data_format 值（如果存在），否则为 'channels_last'。默认为 'channels_last'。
• dilation_rate：整数或 n 个整数的元组/列表，指定扩张卷积使用的扩张率。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，层是否使用偏置向量。
• kernel_initializer：kernel 权重矩阵的初始化器，用于输入的线性转换。
• recurrent_initializer：recurrent_kernel 权重矩阵的初始化器，用于循环状态的线性转换。
• bias_initializer：偏置向量的初始化器。
• unit_forget_bias：布尔值。如果为 True，则在初始化时将遗忘门的偏置增加 1。与 bias_initializer="zeros" 结合使用。Jozefowicz 等人于 2015 年发表的论文中推荐这样做 (Jozefowicz et al., 2015)。
• 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：应用于偏置向量的正则化函数。
• activity_regularizer：应用于
• 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：应用于偏置向量的约束函数。
• return_sequences：布尔值。是返回输出序列中的最后一个输出，还是返回完整序列。（默认 False）
• return_state：布尔值。除了输出外是否返回最后一个状态。（默认 False）
• go_backwards：布尔值（默认 False）。如果为 True，则反向处理输入序列。
• stateful：布尔值（默认 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下一批次中索引 i 的样本的初始状态。
• dropout：0 到 1 之间的浮点数。输入线性转换的丢弃单元比例。
• recurrent_dropout：0 到 1 之间的浮点数。循环状态线性转换的丢弃单元比例。

调用参数

• inputs：一个 6D 张量。
• mask：形状为 (samples, timesteps) 的二元张量，指示是否应屏蔽给定时间步。
• training：Python 布尔值，指示层应在训练模式还是推理模式下运行。此参数在调用 cell 时传递给它。这仅在设置了 dropout 或 recurrent_dropout 时相关。
• initial_state：要传递给 cell 的第一次调用的初始状态张量列表。

输入形状 - 如果 data_format='channels_first'

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

输出形状

• 如果 return_state 为 True：张量列表。第一个张量是输出。其余张量是最后一个状态，每个都是 5D 张量，如果 data_format='channels_first' 则形状为 (samples, filters, new_rows, new_cols, new_depth)，如果 data_format='channels_last' 则形状为 (samples, new_rows, new_cols, new_depth, filters)。rows、cols 和 depth 值可能由于填充而改变。
• 如果 return_sequences 为 True：如果 data_format='channels_first'，则形状为 (samples, timesteps, filters, new_rows, new_cols, new_depth) 的 6D 张量；如果 data_format='channels_last'，则形状为 (samples, timesteps, new_rows, new_cols, new_depth, filters) 的 6D 张量。
• 否则，如果 data_format='channels_first'，则形状为 (samples, filters, new_rows, new_cols, new_depth) 的 5D 张量；如果 data_format='channels_last'，则形状为 (samples, new_rows, new_cols, new_depth, filters) 的 5D 张量。

引发

• ValueError：构造函数参数无效时引发。

参考文献

• Shi 等人，2015 年（当前实现不包含 cell 输出上的反馈回路）。