卷积层

# 卷积层

# Conv1D层 (v1)

M.dl_layer_conv1d.v1(filters, kernel_size, strides=1, padding='valid', dilation_rate=1, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

1D 卷积层 (例如时序卷积)。

该层创建了一个卷积核,该卷积核以 单个空间(或时间)维上的层输入进行卷积, 以生成输出张量。 如果 use_bias 为 True, 则会创建一个偏置向量并将其添加到输出中。 最后,如果 activation 不是 None,它也会应用于输出。

当使用该层作为模型第一层时,需要提供 input_shape 参数(整数元组或 None),例如, (10, 128) 表示 10 个 128 维的向量组成的向量序列, (None, 128) 表示 128 维的向量组成的变长序列。

参数

  • filters: 整数,输出空间的维度 (即卷积中滤波器的输出数量)。
  • kernel_size: 一个整数,或者单个整数表示的元组或列表, 指明 1D 卷积窗口的长度。
  • strides: 一个整数,或者单个整数表示的元组或列表, 指明卷积的步长。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1 两者不兼容。
  • padding: "valid", "causal" 或 "same" 之一 (大小写敏感) "valid" 表示「不填充」。 "same" 表示填充输入以使输出具有与原始输入相同的长度。 "causal" 表示因果(膨胀)卷积, 例如,output[t] 不依赖于
    input[t+1:], 在模型不应违反时间顺序的时间数据建模时非常有用。 详见 WaveNet: A Generative Model for Raw Audio, section 2.1。
  • dilation_rate: 一个整数,或者单个整数表示的元组或列表,指定用于膨胀卷积的膨胀率。 当前,指定任何 dilation_rate 值 != 1 与指定 stride 值 != 1 两者不兼容。
  • activation: 要使用的激活函数 (详见 activations)。 如果你不指定,则不使用激活函数 (即线性激活: a(x) = x)。
  • use_bias: 布尔值,该层是否使用偏置向量。
  • kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。
  • bias_initializer: 偏置向量的初始化器 (详见 initializers)。
  • kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
  • bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
  • activity_regularizer: 运用到层输出(它的激活值)的正则化函数 (详见 regularizer)。
  • kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
  • bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

输入尺寸

  • 3D 张量 ,尺寸为 (batch_size, steps, input_dim)。

输出尺寸

  • 3D 张量,尺寸为 (batch_size, new_steps, filters)。

由于填充或窗口按步长滑动,steps 值可能已更改。

# Conv2DTranspose(v1)

M.dl_layer_conv2dtranspose.v1(filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

转置卷积层 (有时被称为反卷积)。

对转置卷积的需求一般来自希望使用 与正常卷积相反方向的变换, 即,将具有卷积输出尺寸的东西 转换为具有卷积输入尺寸的东西, 同时保持与所述卷积相容的连通性模式。

当使用该层作为模型第一层时,需要提供 input_shape 参数 (整数元组,不包含样本表示的轴),例如, input_shape=(128, 128, 3) 表示 128x128 RGB 图像, 在 data_format="channels_last" 时。

参数

  • filters: 整数,输出空间的维度 (即卷积中滤波器的输出数量)。
  • kernel_size: 一个整数,或者 2 个整数表示的元组或列表, 指明 2D 卷积窗口的宽度和高度。 可以是一个整数,为所有空间维度指定相同的值。
  • strides: 一个整数,或者 2 个整数表示的元组或列表, 指明卷积沿宽度和高度方向的步长。 可以是一个整数,为所有空间维度指定相同的值。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1
    两者不兼容。
  • padding: "valid" 或 "same" (大小写敏感)。
  • data_format: 字符串, channels_last (默认) 或 channels_first 之一,表示输入中维度的顺序。 channels_last 对应输入尺寸为 (batch, height, width, channels), channels_first
    对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras 配置文件
    ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它,将使用
    "channels_last"。
  • dilation_rate: 一个整数或 2 个整数的元组或列表, 指定膨胀卷积的膨胀率。 可以是一个整数,为所有空间维度指定相同的值。 当前,指定任何 dilation_rate 值 != 1 与 指定 stride 值 != 1 两者不兼容。
  • activation: 要使用的激活函数 (详见 activations)。 如果你不指定,则不使用激活函数 (即线性激活: a(x) = x)。
  • use_bias: 布尔值,该层是否使用偏置向量。
  • kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。
  • bias_initializer: 偏置向量的初始化器 (详见 initializers)。
  • kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
  • bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
  • activity_regularizer: 运用到层输出(它的激活值)的正则化函数 (详见 regularizer)。
  • kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
  • bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

输入尺寸

如果 data_format='channels_first', 输入 4D 张量,尺寸为 (batch, channels, rows,
cols)。 如果 data_format='channels_last', 输入 4D 张量,尺寸为 (batch, rows,
cols, channels)。

输出尺寸

如果 data_format='channels_first', 输出 4D 张量,尺寸为 (batch, filters,
new_rows, new_cols)。 如果 data_format='channels_last', 输出 4D 张量,尺寸为
(batch, new_rows, new_cols, filters)。 由于填充的原因, rows 和 cols 值可能已更改。

# Conv2D层 (v1)

M.dl_layer_conv2d.v1(filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

2D 卷积层 (例如对图像的空间卷积)。

该层创建了一个卷积核, 该卷积核对层输入进行卷积, 以生成输出张量。 如果 use_bias 为 True, 则会创建一个偏置向量并将其添加到输出中。 最后,如果 activation 不是 None,它也会应用于输出。

当使用该层作为模型第一层时,需要提供 input_shape 参数 (整数元组,不包含样本表示的轴),例如, input_shape=(128, 128, 3) 表示 128x128 RGB 图像, 在 data_format="channels_last" 时。

参数

  • filters: 整数,输出空间的维度 (即卷积中滤波器的输出数量)。
  • kernel_size: 一个整数,或者 2 个整数表示的元组或列表, 指明 2D 卷积窗口的宽度和高度。 可以是一个整数,为所有空间维度指定相同的值。
  • strides: 一个整数,或者 2 个整数表示的元组或列表, 指明卷积沿宽度和高度方向的步长。 可以是一个整数,为所有空间维度指定相同的值。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1
    两者不兼容。
  • padding: "valid" 或 "same" (大小写敏感)。
  • data_format: 字符串, channels_last (默认) 或 channels_first 之一,表示输入中维度的顺序。 channels_last 对应输入尺寸为 (batch, height, width, channels), channels_first
    对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras 配置文件
    ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它,将使用
    "channels_last"。
  • dilation_rate: 一个整数或 2 个整数的元组或列表, 指定膨胀卷积的膨胀率。 可以是一个整数,为所有空间维度指定相同的值。 当前,指定任何 dilation_rate 值 != 1 与 指定 stride 值 != 1 两者不兼容。
  • activation: 要使用的激活函数 (详见 activations)。 如果你不指定,则不使用激活函数 (即线性激活: a(x) = x)。
  • use_bias: 布尔值,该层是否使用偏置向量。
  • kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。
  • bias_initializer: 偏置向量的初始化器 (详见 initializers)。
  • kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
  • bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
  • activity_regularizer: 运用到层输出(它的激活值)的正则化函数 (详见 regularizer)。
  • kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
  • bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

输入尺寸

如果 data_format='channels_first', 输入 4D 张量,尺寸为 (samples, channels,
rows, cols)。 如果 data_format='channels_last', 输入 4D 张量,尺寸为 (samples,
rows, cols, channels)。

输出尺寸

如果 data_format='channels_first', 输出 4D 张量,尺寸为 (samples, filters,
new_rows, new_cols)。 如果 data_format='channels_last', 输出 4D 张量,尺寸为
(samples, new_rows, new_cols, filters)。 由于填充的原因, rows 和 cols 值可能已更改。

# Conv3D层 (v1)

M.dl_layer_conv3d.v1(filters, kernel_size, strides=(1, 1, 1), padding='valid', data_format=None, dilation_rate=(1, 1, 1), activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

3D 卷积层 (例如立体空间卷积)。

该层创建了一个卷积核, 该卷积核对层输入进行卷积, 以生成输出张量。 如果 use_bias 为 True, 则会创建一个偏置向量并将其添加到输出中。 最后,如果 activation 不是 None,它也会应用于输出。

当使用该层作为模型第一层时,需要提供 input_shape 参数 (整数元组,不包含样本表示的轴),例如, input_shape=(128, 128, 128, 1) 表示 128x128x128 的单通道立体, 在 data_format="channels_last" 时。

参数

  • filters: 整数,输出空间的维度 (即卷积中滤波器的输出数量)。
  • kernel_size: 一个整数,或者 3 个整数表示的元组或列表, 指明 3D 卷积窗口的深度、高度和宽度。 可以是一个整数,为所有空间维度指定相同的值。
  • strides: 一个整数,或者 3 个整数表示的元组或列表, 指明卷积沿每一个空间维度的步长。 可以是一个整数,为所有空间维度指定相同的步长值。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1
    两者不兼容。
  • padding: "valid" 或 "same" (大小写敏感)。
  • data_format: 字符串, channels_last (默认) 或 channels_first 之一, 表示输入中维度的顺序。channels_last 对应输入尺寸为 (batch, spatial_dim1, spatial_dim2,
    spatial_dim3, channels), channels_first 对应输入尺寸为 (batch, channels,
    spatial_dim1, spatial_dim2, spatial_dim3)。 它默认为从 Keras 配置文件
    ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它,将使用
    "channels_last"。
  • dilation_rate: 一个整数或 3 个整数的元组或列表, 指定膨胀卷积的膨胀率。 可以是一个整数,为所有空间维度指定相同的值。 当前,指定任何 dilation_rate 值 != 1 与 指定 stride 值 != 1 两者不兼容。
  • activation: 要使用的激活函数 (详见 activations)。 如果你不指定,则不使用激活函数 (即线性激活: a(x) = x)。
  • use_bias: 布尔值,该层是否使用偏置向量。
  • kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。
  • bias_initializer: 偏置向量的初始化器 (详见 initializers)。
  • kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
  • bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
  • activity_regularizer: 运用到层输出(它的激活值)的正则化函数 (详见 regularizer)。
  • kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
  • bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

输入尺寸

如果 data_format='channels_first', 输入 5D 张量,尺寸为 (samples, channels,
conv_dim1, conv_dim2, conv_dim3)。 如果 data_format='channels_last', 输入
5D 张量,尺寸为 (samples, conv_dim1, conv_dim2, conv_dim3, channels)。

输出尺寸

如果 data_format='channels_first', 输出 5D 张量,尺寸为 (samples, filters,
new_conv_dim1, new_conv_dim2, new_conv_dim3)。 如果
data_format='channels_last', 输出 5D 张量,尺寸为 (samples, new_conv_dim1,
new_conv_dim2, new_conv_dim3, filters)。 由于填充的原因, new_conv_dim1,
new_conv_dim2 和 new_conv_dim3 值可能已更改。

# Cropping1D层 (v1)

M.dl_layer_cropping1d.v1(cropping=(1, 1))

1D 输入的裁剪层(例如时间序列)。

它沿着时间维度(第 1 个轴)裁剪。

参数

cropping: 整数或整数元组(长度为 2)。 在裁剪维度(第 1 个轴)的开始和结束位置 应该裁剪多少个单位。
如果只提供了一个整数,那么这两个位置将使用 相同的值。

输入尺寸

3D 张量,尺寸为 (batch, axis_to_crop, features)。

输出尺寸

3D 张量,尺寸为 (batch, cropped_axis, features)。

# Cropping2D(v1)

M.dl_layer_cropping2d.v1(cropping=((0, 0), (0, 0)), data_format=None)

2D 输入的裁剪层(例如图像)。

它沿着空间维度裁剪,即宽度和高度。

参数

  • cropping: 整数,或 2 个整数的元组,或 2 个整数的 2 个元组。
  • 如果为整数: 将对宽度和高度应用相同的对称裁剪。
  • 如果为 2 个整数的元组: 解释为对高度和宽度的两个不同的对称裁剪值: (symmetric_height_crop, symmetric_width_crop)。
  • 如果为 2 个整数的 2 个元组: 解释为 ((top_crop, bottom_crop), (left_crop, right_crop))。
  • data_format: 字符串, channels_last (默认) 或 channels_first 之一, 表示输入中维度的顺序。channels_last 对应输入尺寸为 (batch, height, width, channels),
    channels_first 对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras
    配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它,将使用
    "channels_last"。

输出尺寸

如果 data_format='channels_first', 输出 4D 张量,尺寸为 (batch, filters,
new_rows, new_cols)。 由于填充的原因, rows 和 cols 值可能已更改。

输入尺寸

如果 data_format 为 "channels_last", 输入 4D 张量,尺寸为 (batch, rows, cols,
channels)。 如果 data_format 为 "channels_first", 输入 4D 张量,尺寸为 (batch,
channels, rows, cols)。

输出尺寸

如果 data_format 为 "channels_last", 输出 4D 张量,尺寸为 (batch, cropped_rows,
cropped_cols, channels) 如果 data_format 为 "channels_first", 输出 4D
张量,尺寸为 (batch, channels, cropped_rows, cropped_cols)。

# Cropping3D(v1)

M.dl_layer_cropping3d.v1(cropping=((1, 1), (1, 1), (1, 1)), data_format=None)

3D 数据的裁剪层(例如空间或时空)。

参数

  • cropping: 整数,或 3 个整数的元组,或 2 个整数的 3 个元组。
  • 如果为整数: 将对深度、高度和宽度应用相同的对称裁剪。
  • 如果为 3 个整数的元组: 解释为对深度、高度和高度的 3 个不同的对称裁剪值: (symmetric_dim1_crop, symmetric_dim2_crop, symmetric_dim3_crop)。
  • 如果为 2 个整数的 3 个元组: 解释为 ((left_dim1_crop, right_dim1_crop), (left_dim2_crop, right_dim2_crop), (left_dim3_crop, right_dim3_crop))。
  • data_format: 字符串, channels_last (默认) 或 channels_first 之一, 表示输入中维度的顺序。channels_last 对应输入尺寸为 (batch, spatial_dim1, spatial_dim2,
    spatial_dim3, channels), channels_first 对应输入尺寸为 (batch, channels,
    spatial_dim1, spatial_dim2, spatial_dim3)。 它默认为从 Keras 配置文件
    ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它,将使用
    "channels_last"。

输入尺寸

如果 data_format 为 "channels_last", 输入 5D 张量,尺寸为 (batch,
first_axis_to_crop, second_axis_to_crop, third_axis_to_crop, depth)。
如果 data_format 为 "channels_first", 输入 5D 张量,尺寸为 (batch, depth,
first_axis_to_crop, second_axis_to_crop, third_axis_to_crop)。

输出尺寸

如果 data_format 为 "channels_last", 输出 5D 张量,尺寸为 (batch,
first_cropped_axis, second_cropped_axis, third_cropped_axis, depth) 如果
data_format 为 "channels_first", 输出 5D 张量,尺寸为 (batch, depth,
first_cropped_axis, second_cropped_axis, third_cropped_axis)。

# SeparableConv2D层 (v1)

M.dl_layer_separableconv2d.v1(filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, dilation_rate=(1, 1), depth_multiplier=1, activation=None, use_bias=True, depthwise_initializer='glorot_uniform', pointwise_initializer='glorot_uniform', bias_initializer='zeros', depthwise_regularizer=None, pointwise_regularizer=None, bias_regularizer=None, activity_regularizer=None, depthwise_constraint=None, pointwise_constraint=None, bias_constraint=None)

深度方向的可分离 2D 卷积。

可分离的卷积的操作包括,首先执行深度方向的空间卷积 (分别作用于每个输入通道),紧接一个将所得输出通道 混合在一起的逐点卷积。depth_multiplier 参数控 制深度步骤中每个输入通道生成多少个输出通道。

直观地说,可分离的卷积可以理解为一种将卷积核分解成 两个较小的卷积核的方法,或者作为 Inception 块的 一个极端版本。

参数

  • filters: 整数,输出空间的维度 (即卷积中滤波器的输出数量)。
  • kernel_size: 一个整数,或者 2 个整数表示的元组或列表, 指明 2D 卷积窗口的宽度和高度。 可以是一个整数,为所有空间维度指定相同的值。
  • strides: 一个整数,或者 2 个整数表示的元组或列表, 指明卷积沿宽度和高度方向的步长。 可以是一个整数,为所有空间维度指定相同的值。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1
    两者不兼容。
  • padding: "valid" 或 "same" (大小写敏感)。
  • data_format: 字符串, channels_last (默认) 或 channels_first 之一,表示输入中维度的顺序。 channels_last 对应输入尺寸为 (batch, height, width, channels), channels_first
    对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras 配置文件
    ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它,将使用
    "channels_last"。
  • dilation_rate: 一个整数,或者 2 个整数表示的元组或列表, 为使用扩张(空洞)卷积指明扩张率。 目前,指定任何 dilation_rate 值 != 1 与指定任何 stride 值 != 1 两者不兼容。
  • depth_multiplier: 每个输入通道的深度方向卷积输出通道的数量。 深度方向卷积输出通道的总数将等于 filterss_in * depth_multiplier。
  • activation: 要使用的激活函数 (详见 activations)。 如果你不指定,则不使用激活函数 (即线性激活: a(x) = x)。
  • use_bias: 布尔值,该层是否使用偏置向量。
  • depthwise_initializer: 运用到深度方向的核矩阵的初始化器 (详见 initializers)。
  • pointwise_initializer: 运用到逐点核矩阵的初始化器 (详见 initializers)。
  • bias_initializer: 偏置向量的初始化器 (详见 initializers)。
  • depthwise_regularizer: 运用到深度方向的核矩阵的正则化函数 (详见 regularizer)。
  • pointwise_regularizer: 运用到逐点核矩阵的正则化函数 (详见 regularizer)。
  • bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
  • activity_regularizer: 运用到层输出(它的激活值)的正则化函数 (详见 regularizer)。
  • depthwise_constraint: 运用到深度方向的核矩阵的约束函数 (详见 constraints)。
  • pointwise_constraint: 运用到逐点核矩阵的约束函数 (详见 constraints)。
  • bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。

输入尺寸

如果 data_format='channels_first', 输入 4D 张量,尺寸为 (batch, channels, rows,
cols)。 如果 data_format='channels_last', 输入 4D 张量,尺寸为 (batch, rows,
cols, channels)。

输出尺寸

如果 data_format='channels_first', 输出 4D 张量,尺寸为 (batch, filters,
new_rows, new_cols)。 如果 data_format='channels_last', 输出 4D 张量,尺寸为
(batch, new_rows, new_cols, filters)。 由于填充的原因, rows 和 cols 值可能已更改。

# UpSampling1D(v1)

M.dl_layer_upsampling1d.v1(size=2)

1D 输入的上采样层。

沿着时间轴重复每个时间步 size 次。

参数

size: 整数。上采样因子。

输入尺寸
3D 张量,尺寸为 (batch, steps, features)。

输出尺寸

3D 张量,尺寸为 (batch, upsampled_steps, features)。

# UpSampling2D(v1)

M.dl_layer_upsampling2d.v1(size=(2, 2), data_format=None)

2D 输入的上采样层。

沿着数据的行和列分别重复 size[0] 和 size[1] 次。

参数

  • size: 整数,或 2 个整数的元组。 行和列的上采样因子。
  • data_format: 字符串, channels_last (默认) 或 channels_first 之一, 表示输入中维度的顺序。channels_last 对应输入尺寸为 (batch, height, width, channels),channels_first 对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它,将使用"channels_last"。

输入尺寸

如果 data_format 为 "channels_last", 输入 4D 张量,尺寸为 (batch, rows, cols,
channels)。 如果 data_format 为 "channels_first", 输入 4D 张量,尺寸为 (batch,
channels, rows, cols)。

输出尺寸

如果 data_format 为 "channels_last", 输出 4D 张量,尺寸为 (batch, upsampled_rows,
upsampled_cols, channels)。 如果 data_format 为 "channels_first", 输出 4D
张量,尺寸为 (batch, channels, upsampled_rows, upsampled_cols)。

# UpSampling3D(v1)

M.dl_layer_upsampling3d.v1(size=(2, 2, 2), data_format=None)

3D 输入的上采样层。

沿着数据的第 1、2、3 维度分别重复 size[0]、size[1] 和 size[2] 次。

参数

  • size: 整数,或 3 个整数的元组。 dim1, dim2 和 dim3 的上采样因子。
  • data_format: 字符串, channels_last (默认) 或 channels_first 之一, 表示输入中维度的顺序。channels_last 对应输入尺寸为 (batch, spatial_dim1, spatial_dim2,spatial_dim3, channels), channels_first 对应输入尺寸为 (batch, channels,spatial_dim1, spatial_dim2, spatial_dim3)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它,将使用"channels_last"。

输入尺寸

如果 data_format 为 "channels_last", 输入 5D 张量,尺寸为 (batch, dim1, dim2,
dim3, channels)。 如果 data_format 为 "channels_first", 输入 5D 张量,尺寸为
(batch, channels, dim1, dim2, dim3)。

输出尺寸

如果 data_format 为 "channels_last", 输出 5D 张量,尺寸为 (batch, upsampled_dim1,
upsampled_dim2, upsampled_dim3, channels)。 如果 data_format 为
"channels_first", 输出 5D 张量,尺寸为 (batch, channels, upsampled_dim1,
upsampled_dim2, upsampled_dim3)。

# ZeroPadding1D(v1)

M.dl_layer_zeropadding1d.v1(padding=1)

1D 输入的零填充层(例如,时间序列)。

参数

  • padding: 整数,或长度为 2 的整数元组,或字典。
  • 如果为整数: 在填充维度(第一个轴)的开始和结束处添加多少个零。
  • 长度为 2 的整数元组: 在填充维度的开始和结尾处添加多少个零 ((left_pad, right_pad))。

输入尺寸

3D 张量,尺寸为 (batch, axis_to_pad, features)。

输出尺寸

3D 张量,尺寸为 (batch, padded_axis, features)。

# ZeroPadding2D(v1)

M.dl_layer_zeropadding2d.v1D(padding=(1, 1), data_format=None)

2D 输入的零填充层(例如图像)。

该图层可以在图像张量的顶部、底部、左侧和右侧添加零表示的行和列。

参数

  • padding: 整数,或 2 个整数的元组,或 2 个整数的 2 个元组。
  • 如果为整数:将对宽度和高度运用相同的对称填充。
  • 如果为 2 个整数的元组:
  • 如果为整数:: 解释为高度和高度的 2 个不同的对称裁剪值: (symmetric_height_pad, symmetric_width_pad)。
  • 如果为 2 个整数的 2 个元组: 解释为 ((top_pad, bottom_pad), (left_pad, right_pad))。
  • data_format: 字符串, channels_last (默认) 或 channels_first 之一, 表示输入中维度的顺序。channels_last 对应输入尺寸为 (batch, height, width, channels),channels_first 对应输入尺寸为 (batch, channels, height, width)。 它默认为从 Keras配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它,将使用"channels_last"。

输入尺寸

如果 data_format 为 "channels_last", 输入 4D 张量,尺寸为 (batch, rows, cols,
channels)。 如果 data_format 为 "channels_first", 输入 4D 张量,尺寸为 (batch,
channels, rows, cols)。

输出尺寸

如果 data_format 为 "channels_last", 输出 4D 张量,尺寸为 (batch, padded_rows,
padded_cols, channels)。 如果 data_format 为 "channels_first", 输出 4D
张量,尺寸为 (batch, channels, padded_rows, padded_cols)。

# ZeroPadding3D(v1)

M.dl_layer_zeropadding3d.v1(padding=(1, 1, 1), data_format=None)

3D 数据的零填充层(空间或时空)。

参数

  • padding: 整数,或 3 个整数的元组,或 2 个整数的 3 个元组。
  • 如果为整数:将对深度、高度和宽度运用相同的对称填充。
  • 如果为 3 个整数的元组: 解释为深度、高度和宽度的三个不同的对称填充值: (symmetric_dim1_pad, symmetric_dim2_pad, symmetric_dim3_pad).
  • 如果为 2 个整数的 3 个元组:解释为 ((left_dim1_pad, right_dim1_pad), (left_dim2_pad, right_dim2_pad), (left_dim3_pad, right_dim3_pad))
  • data_format: 字符串, channels_last (默认) 或 channels_first 之一, 表示输入中维度的顺序。channels_last 对应输入尺寸为 (batch, spatial_dim1, spatial_dim2,spatial_dim3, channels), channels_first 对应输入尺寸为 (batch, channels,spatial_dim1, spatial_dim2, spatial_dim3)。 它默认为从 Keras 配置文件 ~/.keras/keras.json 中 找到的 image_data_format 值。 如果你从未设置它,将使用"channels_last"。

输入尺寸

  • 如果 data_format 为 "channels_last", 输入 5D 张量,尺寸为 (batch, first_axis_to_pad, second_axis_to_pad, third_axis_to_pad, depth)。
  • 如果data_format 为 "channels_first", 输入 5D 张量,尺寸为 (batch, depth,first_axis_to_pad, second_axis_to_pad, third_axis_to_pad)。

输出尺寸

  • 如果 data_format 为 "channels_last", 输出 5D 张量,尺寸为 (batch,first_padded_axis, second_padded_axis, third_axis_to_pad, depth)。
  • 如果data_format 为 "channels_first", 输出 5D 张量,尺寸为 (batch, depth,first_padded_axis, second_padded_axis, third_axis_to_pad)。