Keras 3 API 文档 / 层 API / 循环层 / ConvLSTM3D 层

ConvLSTM3D 层

[源]

ConvLSTM3D

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

  • filters:int,输出空间的维度(即卷积中的滤波器数量)。
  • kernel_size:int 或包含 3 个整数的元组/列表,指定卷积窗口的大小。
  • strides:int 或包含 3 个整数的元组/列表,指定卷积的步长。当 strides > 1 时,与 dilation_rate > 1 不兼容。
  • padding:string,"valid""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。
  • data_format:string,"channels_last""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"
  • dilation_rate:int 或包含 3 个整数的元组/列表,指定用于膨胀卷积的膨胀率。
  • 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,用于输入的线性变换。
  • recurrent_initializerrecurrent_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_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。
  • dropout:0 到 1 之间的浮点数。用于输入线性变换的单元的丢弃比例。
  • recurrent_dropout:0 到 1 之间的浮点数。用于循环状态线性变换的单元的丢弃比例。
  • seed:Dropout 的随机种子。
  • 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。默认为:False
  • return_state:布尔值。是否除了输出外,还返回最后一个状态。默认为:False
  • go_backwards:布尔值(默认为:False)。如果为 True,则反向处理输入序列并返回反向序列。
  • stateful:布尔值(默认为 False)。如果为 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。
  • unroll:布尔值(默认为: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

  • inputs:一个 6D 张量。
  • mask:形状为 (samples, timesteps) 的二进制张量,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。仅当设置了 dropoutrecurrent_dropout 时才相关。
  • initial_state:要传递给 cell 首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, *spatial_dims) 的 5D 张量
  • 如果 data_format='channels_last':形状为 (samples, time, *spatial_dims, channels) 的 5D 张量

输出形状

  • 如果 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。
  • 如果 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。
  • 否则,如果 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