TensorFlow函数教程：tf.nn.conv3d

tf.nn.conv3d函数

tf.nn.conv3d(
    input,
    filter,
    strides,
    padding,
    data_format='NDHWC',
    dilations=[1, 1, 1, 1, 1],
    name=None
)

请参阅指南：神经网络>卷积运算

在给定5-D input和filter张量的情况下计算3-D卷积.

在信号处理中,互相关(cross-correlation)是测量两个波形的相似性,是对其中一种波形应用时滞的函数.这也称为滑动点积或滑动内积.

我们的Conv3D实现了一种互相关的形式.

参数：

• input：一个Tensor,必须是下列类型之一：half,bfloat16,float32,float64,形状[batch, in_depth, in_height, in_width, in_channels].
• filter：一个Tensor,必须与input相同,形状[filter_depth, filter_height, filter_width, in_channels, out_channels],in_channels必须在input和filter之间匹配.
• strides：ints的列表,长度>= 5；长度为5的1-D张量,input每个维度的滑动窗口的步幅；必须有strides[0] = strides[4] = 1.
• padding：string,可以是："SAME", "VALID"；要使用的填充算法的类型.
• data_format：可选的string,可以是："NDHWC", "NCDHW"；默认为"NDHWC".输入和输出数据的数据格式；使用默认格式“NDHWC”,数据按以下顺序存储：[batch,in_depth,in_height,in_width,in_channels]；或者,格式可以是“NCDHW”,数据存储顺序是：[batch,in_channels,in_depth,in_height,in_width].
• dilations：ints的可选列表；默认为[1, 1, 1, 1, 1]；长度为5的1-D张量；input每个维度的膨胀系数；如果设置为k> 1,则该维度上的每个滤镜元素之间将有k-1个跳过的单元格；维度顺序由data_format值确定；批次和深度尺寸的扩张必须为1.
• name：操作的名称(可选).

返回：

一个Tensor,与input有相同的类型.