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

ConvLSTM3D 层

[源]

ConvLSTM3D

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""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_initializerkernel 权重矩阵的初始化器,用于输入的线性转换。
  • recurrent_initializerrecurrent_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 dropoutrecurrent_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)rowscolsdepth 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