Tensorflow tf。图层。conv3d输出形状
我有一个关于tf的问题。图层。conv3d。如果我理解正确，它需要输入形状
（批次x深度x高度x宽度x通道）
其中通道应该只有一个；给定一个过滤器（深度x高度x宽度），它创建#个过滤器相同形状的不同过滤器以创建#个过滤器输出通道并将它们与输入卷积以获得形状的输出
（批次x out\u深度x out\u高度x out\u宽度x num\u过滤器）
首先，我现在是对的吗？问题是：在我看来，这一层不符合约束卷积层输入、输出、过滤和跨步形状的规律，这应该是：
（W-F 2P）/S 1
如本文所述。相反，输出深度宽度和高度始终与输入相同。发生了什么事？谢谢你的帮助！
共有1个答案
kinda true but if input shape, filter shape and strides:
[Batch, depth, height, width, channels]
[filter_depth,filter_height,filter_width,in_channels,out_channels]
[1,s1,s2,s3,1]
output shape
[Batch,int(depth/s1),int(height/s2),int(width/s3),out_channels]
tf。图层。conv3d是tf的特例。图层。卷积
了解填充算法：https://www.tensorflow.org/api_guides/python/nn#Convolution
为了理解卷积运算：https://www.tensorflow.org/api_docs/python/tf/nn/convolution
-
我正在开发一个程序，该程序用一个无方向的Conv2D层（跨距=1）替换跨距的Conv2D层（跨距=2），然后在激活层之后添加一个AveragePooling2D层（跨距=2）。换句话说，AveragePooling2D层将减少输出维度，而不是让Conv2D层减少输出维度。 我使用本文中描述的方法将Conv2D层替换为非结构化版本，并在激活后插入averagepoolig2d层。替换Conv2D层效
-
我在Keras建立了一个卷积神经网络。 根据CS231讲座，卷积操作为每个过滤器创建一个特征映射（即激活映射），然后将其堆叠在一起。在我的例子中，卷积层有一个300维的输入。因此，我预计会进行以下计算： 每个过滤器的窗口大小为5。因此，每个滤波器产生300-5 1=296个卷积 但是，实际输出形状看起来不同： 偏移值的形状很有意义，因为每个过滤器都有一个偏移值。然而，我不了解重量的形状。显然，第一
-
我不明白为什么通道维度不包含在Keras中con2D层的输出维度中。 我有以下型号 我的问题末尾给出了模型摘要。输入层获取宽度为128、高度为128的RGB图像。第一个conv2D层告诉我输出维度是（None、61、61、24）。我使用的内核大小是（8，8），跨步是（2，2），没有填充。值61=下限（（128-8 2 x 0）/2 1）和24（内核/过滤器的数量）是有意义的。但为什么维度中不包括不
-
原文地址：https://cesiumjs.org/tutorials/Terrain-Tutorial/ Cesium支持渐进流式加载和渲染全球高精度地形，并且包含海、湖、河等水面效果。相对2D地图，山峰、山谷等其他地形特征的更适宜在这种3D地球中展示。 地形数据集是巨大的，通常都是GB或者TB级别。在普通3D引擎中，使用底层图形API去高效实现地形数据的可视化需要做很多事情。幸好，Cesium
-
我在keras建立了一个ConvNet，这是其中的两层 第一层大小的输出，我完全理解，因为有8个大小为3x3的过滤器，每个过滤器都被应用于生成单独的特征图，因此 第二层的输出大小为24x24x16，我不理解。由于第二层的每个过滤器将作用于第一层输出的每个特征映射，因此输出的大小不应该是24x24x128吗？ 基本上，我不明白一层的输出是如何馈送到另一层的输入的
-
图层 图层 最常用于 摄像机 只渲染场景的一部分，和 光线 只照亮场景的一部分。此外，射线投射也可以用它们选择性地忽略碰撞器或创建 碰撞。 创建图层 第一步是创建一个图层，稍后可以将其分配给一个 游戏对象 GameObject。要创建图层，请打开菜单并选择 Project Settings->Tags and Layers。 我们在空着的 User Layers 中新建一个图层。选择第 8 图层