ConvLSTM3D
类keras.layers.ConvLSTM3D(
filters,
kernel_size,
strides=1,
padding="valid",
data_format=None,
dilation_rate=1,
activation="tanh",
recurrent_activation="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,
dropout=0.0,
recurrent_dropout=0.0,
seed=None,
return_sequences=False,
return_state=False,
go_backwards=False,
stateful=False,
**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
strides > 1
时,与 dilation_rate > 1
不兼容。"valid"
或 "same"
(不区分大小写)。"valid"
表示无填充。"same"
表示在输入的左/右或上/下均匀填充,使输出具有与输入相同的高度/宽度维度。"channels_last"
或 "channels_first"
。输入的维度顺序。"channels_last"
对应形状为 (batch, steps, features)
的输入,而 "channels_first"
对应形状为 (batch, features, steps)
的输入。它默认为你的 Keras 配置文件 ~/.keras/keras.json
中的 image_data_format
值。如果你从未设置过,则默认为 "channels_last"
。tanh(x)
)。kernel
权重矩阵的初始化器,用于输入的线性变换。recurrent_kernel
权重矩阵的初始化器,用于循环状态的线性变换。True
,则在初始化时将遗忘门的偏置加 1。与 bias_initializer="zeros"
结合使用。此方法在 Jozefowicz 等,2015 年的论文中被推荐。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。False
。False
。False
)。如果为 True
,则反向处理输入序列并返回反向序列。True
,则批量中索引 i 的每个样本的最后一个状态将用作后续批量中索引 i 的样本的初始状态。False
)。如果为 True
,则网络将被展开,否则将使用符号循环。展开可以加速 RNN,尽管它往往更占用内存。展开仅适用于短序列。调用参数
(samples, timesteps)
的二进制张量,指示是否应屏蔽给定时间步。dropout
或 recurrent_dropout
时才相关。输入形状
data_format='channels_first'
:形状为 (samples, time, channels, *spatial_dims)
的 5D 张量data_format='channels_last'
:形状为 (samples, time, *spatial_dims, channels)
的 5D 张量输出形状
return_state
: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,如果 data_format='channels_first'
,每个都是形状为 (samples, filters, *spatial_dims)
的 4D 张量;如果 data_format='channels_last'
,则是形状为 (samples, *spatial_dims, filters)
的 4D 张量。return_sequences
:如果 data_format='channels_first',形状为 (samples, timesteps, filters, *spatial_dims)
的 5D 张量;如果 data_format='channels_last'
,则是形状为 (samples, timesteps, *spatial_dims, filters)
的 5D 张量。data_format='channels_first'
,形状为 (samples, filters, *spatial_dims)
的 4D 张量;如果 data_format='channels_last'
,则是形状为 (samples, *spatial_dims, filters)
的 4D 张量。参考文献