三维卷积中输入图像的变化顺序
根据tf.keras.layers.Conv3D的官方留档
如果data\u format='channels\u first'，带形状的5 D张量：batch\u shape（通道，conv\u dim1，conv\u dim2，conv\u dim3），如果data\u format='channels\u last'，带形状的5 D张量：batch\u shape（通道，conv\u dim1，conv\u dim2，conv\u dim3，通道）
。现在，围绕通道和批处理形状的整个想法是有道理的，但是将（conv_dim1，conv_dim2，conv_dim2）的一般顺序更改为（x，y，z）会影响性能吗。
Conv3D是否担心x-y-z尺寸的顺序？
我在训练一个U网分割模型，在改变轴的顺序后，我看到了性能上的差异。（x，y，z）阶比（y，x，z）阶收敛更快。
我只是想确定什么是正确的方法...
共有1个答案
虽然您的数据似乎是各向同性的，但情况可能并非如此：
提供的数据在预处理后分发，即共同注册到相同的解剖模板，内插到相同的分辨率（1 mm^3）并剥离颅骨。
可能的情况是，底层源数据不是各向同性的，您看到的是插值的效果（某些维度比其他维度“更平滑”）。
您是否考虑过利用这种“各向同性”特性，并按照
利亚德·波拉克·祖克曼、艾尔·纳尔、乔治·皮沙、沙伊·巴贡、迈克尔·伊拉尼
-
我在使用Keras和Python对3D形状进行分类时遇到了一个问题。我有一个文件夹，里面有一些JSON格式的模型。我将这些模型读入Numpy数组。模型是25*25*25，表示体素化模型的占用网格（每个位置表示位置（i、j、k）中的体素是否有点），因此我只有1个输入通道，就像2D图像中的灰度图像一样。我拥有的代码如下： 在此之后，我得到以下错误 使用TensorFlow后端。回溯（最后一次调用）：文
-
真的很难理解keras中卷积1d层的输入维度： 输入形状 带形状的三维张量：（采样、步长、input\u dim）。 输出形状 带形状的三维张量：（采样、新的\u步骤、nb\u过滤器）。由于填充，步骤值可能已更改。 我希望我的网络接受价格的时间序列（101，按顺序）并输出4个概率。我当前的非卷积网络做得相当好（训练集为28000）如下所示： 为了改进这一点，我想从具有长度为10的局部感受野的输入层
-
我正在实现一个依赖于3D卷积的模型（对于类似于动作识别的任务），我想使用批量规范化（参见 下面的代码引用了TensorFlow r0.12，它显式地引用了变量——我的意思是我没有使用tf。承包商。学习tf以外的内容。承包商。图层。batch\u norm（）函数。我这样做是为了更好地理解事情是如何运作的，并且有更多的实现自由度（例如，变量摘要）。 我将通过首先编写完全连接层的示例，然后编写2D卷积
-
在我的项目中，我编写了一个简单的直接3D卷积C实现，在输入上使用周期性填充。不幸的是，由于我是C新手，所以性能不太好。。。代码如下： 按照惯例，所有矩阵（图像、内核、结果）都以列为主的方式存储，这就是为什么我以这种方式循环遍历它们，以便它们在内存中更近（听说这会有所帮助）。 我知道这个实现非常天真，但由于它是用C编写的，我希望性能会很好，但结果有点令人失望。我用大小为100^3的图像和大小为10^
-
问题是卷积神经网络的数学细节。假设网络的体系结构（其目标是图像分类）是这样的 输入图像32x32 第一个隐藏层3x28x28（由3个大小为5x5的滤波器卷积而成，步幅=0，无填充），随后是激活 池化层（在2x2区域上池化），产生3x14x14输出 第二隐藏层6x10x10（由6个大小为5x5的滤波器卷积而成，步幅=0，无填充），随后激活 池化层（在2x2区域上池化），产生6x5x5输出 具有100
-
卷积神经网络（convolutional neural network）是含有卷积层（convolutional layer）的神经网络。本章中介绍的卷积神经网络均使用最常见的二维卷积层。它有高和宽两个空间维度，常用来处理图像数据。本节中，我们将介绍简单形式的二维卷积层的工作原理。 二维互相关运算 虽然卷积层得名于卷积（convolution）运算，但我们通常在卷积层中使用更加直观的互相关（cro