Conv3D

@frozen
public struct Conv3D<Scalar> : Layer where Scalar : TensorFlowFloatingPoint

یک لایه کانولوشن سه بعدی برای پیچیدگی مکانی/مکانی-زمانی روی تصاویر.

این لایه یک فیلتر کانولوشن ایجاد می کند که با ورودی لایه پیچیده می شود تا یک تانسور خروجی تولید کند.

• فیلتر
  فیلتر کانولوشن 5 بعدی.

  اعلام

  public var filter: Tensor<Scalar>

• جانبداری
  بردار تعصب.

  اعلام

  public var bias: Tensor<Scalar>

• فعال سازی
  تابع فعال سازی از نظر عنصر.

  اعلام

  @noDerivative
  public let activation: Activation

• گام برداشت
  گام های پنجره کشویی برای ابعاد فضایی.

  اعلام

  @noDerivative
  public let strides: (Int, Int, Int)

• لایه گذاری
  الگوریتم padding برای کانولوشن.

  اعلام

  @noDerivative
  public let padding: Padding

• اتساع
  عامل اتساع برای ابعاد زمانی مکانی/فضایی.

  اعلام

  @noDerivative
  public let dilations: (Int, Int, Int)

• فعال سازی
  نوع تابع فعال سازی از نظر عنصر.

  اعلام

  public typealias Activation = @differentiable (Tensor<Scalar>) -> Tensor<Scalar>

• init(filter:bias:activation:strides:padding:dlations:)
  یک لایه Conv3D با فیلتر مشخص شده، بایاس، عملکرد فعالسازی، گام‌ها، و padding ایجاد می‌کند.

  اعلام

  public init(
    filter: Tensor<Scalar>,
    bias: Tensor<Scalar>? = nil,
    activation: @escaping Activation = identity,
    strides: (Int, Int, Int) = (1, 1, 1),
    padding: Padding = .valid,
    dilations: (Int, Int, Int) = (1, 1, 1)
  )

  مولفه های

  filter	فیلتر کانولوشن 5 بعدی شکل [عمق فیلتر، ارتفاع فیلتر، عرض فیلتر، تعداد کانال ورودی، تعداد کانال های خروجی].
  bias	بردار بایاس شکل [تعداد کانال خروجی].
  activation	تابع فعال سازی از نظر عنصر.
  strides	گام های پنجره کشویی برای ابعاد فضایی، یعنی (عمق گام، ارتفاع گام، عرض گام)
  padding	الگوریتم padding برای کانولوشن.
  dilations	عامل اتساع برای ابعاد مکانی/فضایی-زمانی.

• رو به جلو(_:)
  خروجی به دست آمده از اعمال لایه به ورودی داده شده را برمی گرداند.

  ابعاد فضایی خروجی به صورت زیر محاسبه می شود:

  عمق خروجی = (عمق ورودی + 2 * عمق لایه - (عمق اتساع * (عمق فیلتر - 1) + 1)) / عمق گام + 1

  ارتفاع خروجی = (ارتفاع ورودی + 2 * ارتفاع بالشتک - (ارتفاع گشاد شدن * (ارتفاع فیلتر - 1) + 1)) / ارتفاع گام + 1

  عرض خروجی = (عرض ورودی + 2 * عرض لایه - (عرض گشاد شدن * (عرض فیلتر - 1) + 1)) / عرض گام + 1

  و اندازه بالشتک ها توسط طرح padding تعیین می شود.

  توجه داشته باشید

  اندازه پد هنگام استفاده از .valid برابر با صفر است.

  اعلام

  @differentiable
  public func forward(_ input: Tensor<Scalar>) -> Tensor<Scalar>

  مولفه های

  input

  ورودی لایه شکل [تعداد دسته ای، عمق ورودی، ارتفاع ورودی، عرض ورودی، تعداد کانال ورودی].

  ارزش بازگشتی

  خروجی شکل [تعداد دسته ای، عمق خروجی، ارتفاع خروجی، عرض خروجی، تعداد کانال های خروجی].

• init(filterShape:strides:padding: dilations:activation:useBias:filterInitializer:biasInitializer:)
  یک لایه Conv3D با شکل فیلتر مشخص شده، گام‌ها، بالشتک‌ها، اتساع و عملکرد فعال‌سازی از نظر عنصر ایجاد می‌کند. تانسور فیلتر با استفاده از مقداردهی اولیه یکنواخت Glorot با دانه مشخص شده مقداردهی اولیه می شود. بردار بایاس با صفر آغاز می شود.

  اعلام

  public init(
    filterShape: (Int, Int, Int, Int, Int),
    strides: (Int, Int, Int) = (1, 1, 1),
    padding: Padding = .valid,
    dilations: (Int, Int, Int) = (1, 1, 1),
    activation: @escaping Activation = identity,
    useBias: Bool = true,
    filterInitializer: ParameterInitializer<Scalar> = glorotUniform(),
    biasInitializer: ParameterInitializer<Scalar> = zeros()
  )

  مولفه های

  filterShape	شکل فیلتر کانولوشن 5 بعدی، نشان دهنده (عمق فیلتر، ارتفاع فیلتر، عرض فیلتر، تعداد کانال ورودی، تعداد کانال های خروجی).
  strides	گام های پنجره کشویی برای ابعاد فضایی، یعنی (عمق گام، ارتفاع گام، عرض گام)
  padding	الگوریتم padding برای کانولوشن.
  dilations	عامل اتساع برای ابعاد مکانی/فضایی-زمانی.
  activation	تابع فعال سازی از نظر عنصر.
  filterInitializer	آغازگر برای استفاده برای پارامترهای فیلتر.
  biasInitializer	آغازگر برای استفاده برای پارامترهای بایاس.