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。

与 LSTM 层类似，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（即卷积中的输出滤波器数量）。
• kernel_size：一个整数或元组/列表，包含 n 个整数，指定卷积窗口的尺寸。
• strides：一个整数或元组/列表，包含 n 个整数，指定卷积的步幅。指定任何大于 1 的步幅值都与指定任何大于 1 的 dilation_rate 值不兼容。
• padding："valid" 或 "same"（不区分大小写）之一。"valid" 表示无填充。"same" 会在输入的左/右或上/下进行均匀填充，使得输出与输入具有相同的高度/宽度维度。
• data_format：一个字符串，值为 channels_last (默认) 或 channels_first。输入中的维度顺序。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，使用您 TF-Keras 配置文件中的 image_data_format 值（位于 ~/.keras/keras.json，如果存在），否则默认为 'channels_last'。默认为 'channels_last'。
• dilation_rate：一个整数或元组/列表，包含 n 个整数，指定要用于空洞卷积的膨胀率。目前，指定任何大于 1 的 dilation_rate 值都与指定任何大于 1 的 strides 值不兼容。
• 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，表示该层是否使用偏置向量。
• kernel_initializer：kernel 权重矩阵的初始化器，用于输入的线性变换。
• recurrent_initializer：recurrent_kernel 权重矩阵的初始化器，用于循环状态的线性变换。
• bias_initializer：偏置向量的初始化器。
• unit_forget_bias：布尔值。如果为 True，则在初始化时在遗忘门的偏差上加 1。与 bias_initializer="zeros" 结合使用。这在 Jozefowicz 等人，2015 年 中被推荐。
• 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：应用于偏置向量的正则化函数。
• activity_regularizer：应用于输出的正则化函数。
• 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，还是返回整个序列。(默认 False)
• return_state：布尔值。是否除了输出外还返回最后一个状态。(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，则批处理中索引 i 的每个样本的最后一个状态将用作下一个批处理中索引 i 的样本的初始状态。
• dropout：介于 0 和 1 之间的浮点数。用于输入线性变换的单元丢弃率。
• recurrent_dropout：介于 0 和 1 之间的浮点数。用于循环状态线性变换的单元丢弃率。

调用参数

• inputs: 一个 6D 张量。
• mask：形状为 (samples, timesteps) 的二进制张量，指示给定时间步是否应被掩码。
• training：Python 布尔值，指示该层应该表现为训练模式还是推理模式。此参数在调用 cell 时传递给 cell。仅当设置了 dropout 或 recurrent_dropout 时此参数才相关。
• initial_state：要传递给单元第一次调用的初始状态张量列表。

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' 则是 5D 张量，形状为：(samples, time, rows, cols, depth, channels)

输出形状

• 如果 return_state 为 True：一个张量列表。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，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')。rows、cols 和 depth 的值可能因为填充而发生变化。
• 如果 return_sequences 为 True：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，为 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

• Shi 等人，2015 (当前实现不包括单元输出上的反馈循环)。