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
dilation_rate
值 != 1 不兼容。"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。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
值 != 1 与指定任何 strides
值 != 1 不兼容。tanh(x)
)。kernel
权重矩阵的初始化器,用于输入的线性转换。recurrent_kernel
权重矩阵的初始化器,用于循环状态的线性转换。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
权重矩阵的正则化函数。recurrent_kernel
权重矩阵的正则化函数。kernel
权重矩阵的约束函数。recurrent_kernel
权重矩阵的约束函数。调用参数
(samples, timesteps)
的二元张量,指示是否应屏蔽给定时间步。dropout
或 recurrent_dropout
时相关。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
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。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。(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
参考文献