convolution3dLayer

三维卷积层

在页面中全部展开

描述

三维卷积层将滑动立方卷积滤波器应用于三维输入。该层通过沿着输入垂直、水平和深度移动滤波器来卷积输入，计算权值和输入的点积，然后添加一个偏差项。

层卷积的维度取决于层输入:

对于三维图像输入(五个维度的数据对应于三个空间维度的像素、通道和观测)，该层在空间维度上进行卷积。
对于三维图像序列输入(六维数据，对应于三个空间维度的像素、通道、观测和时间步长)，该层在空间维度上进行卷积。
对于二维图像序列输入(五维数据，对应于两个空间维度的像素、通道、观测值和时间步长)，该层在空间和时间维度上进行卷积。

创建

语法

层= convolution3dLayer (filterSize numFilters)

层= convolution3dLayer (filterSize numFilters、名称、值)

描述

层= convolution3dLayer (filterSize，numFilters）创建一个三维卷积层，并设置FilterSize而且NumFilters属性。

例子

层= convolution3dLayer (filterSize，numFilters，名称,值）设置可选步，DilationFactor，NumChannels，参数和初始化，学习率和正规化,的名字使用名称-值对的属性。方法指定输入填充“填充”名称-值对的论点。例如,convolution3dLayer(11, 96,“大步”4“填充”,1)创建了一个带有96个大小过滤器的三维卷积层(11 11 11)，一大步(4 - 4)，并沿输入层的所有边缘填充大小为1。可以指定多个名称-值对。将每个属性名用单引号括起来。

输入参数

全部展开

名称-值参数

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名-值参数必须出现在其他参数之后，但对的顺序并不重要。

在R2021a之前，名称和值之间用逗号隔开，并括起来的名字在报价。

例子:convolution3dLayer(16日“填充”,“相同”)创建了一个带有16个大小过滤器的三维卷积层(3 3 3)而且“相同”填充。在训练时，软件计算并设置填充的大小，使层输出与输入大小相同。

`填充`- - - - - -输入边缘填充
`0`(默认)|非负整数数组|`“相同”`

输入边填充，指定为逗号分隔的对，由“填充”其中一个价值观是:

“相同”-在训练或预测时添加软件计算的大小填充，使步幅为1时输出与输入大小相同。如果stride大于1，则输出大小为装天花板(inputSize /步),在那里inputSize输入的高度、宽度或深度是和步是对应维度中的步幅。如果可能的话，软件会在顶部和底部、左边和右边、前面和后面添加相同数量的填充。如果给定维度中的填充值为奇数，则软件将额外的填充添加到输入中作为延迟添加。换句话说，该软件在底部增加了额外的垂直填充，在右边增加了额外的水平填充，在输入的后面增加了额外的深度填充。
非负整数p-添加大小的填充p到输入的所有边。
三元素向量(a b c)的非负整数-添加大小填充一个到顶部和底部，填充大小b向左和向右，填充大小c前面和后面的输入。
2×3矩阵[t l f;b r k]的非负整数-添加大小填充t前,b底部,l到左边,r向右,f到前面去，然后k到输入的后面。换句话说，第一行指定了预加法，第二行定义了三个维度中的后加法。

例子:“填充”,1在顶部和底部添加一行填充，在左侧和右侧添加一列填充，在输入的前后添加一个平面填充。

例子:“填充”,“相同”添加填充，以便输出与输入大小相同(如果stride等于1)。

属性

全部展开

三维卷积

`FilterSize`- - - - - -过滤器的高度，宽度和深度
三个正整数的向量

过滤器的高度、宽度和深度，指定为一个向量[w h d]三个正整数的h的高度,w是宽度，和d是深度。FilterSize定义输入中神经元连接到的局部区域的大小。

在创建层时，您可以指定FilterSize作为标量，为高度、宽度和深度使用相同的值。

例子:(5 5 5)指定高度、宽度和深度为5的过滤器。

`NumFilters`- - - - - -数量的过滤器
正整数

此属性是只读的。

筛选器的数目，指定为正整数。这个数字对应于该层中连接到输入中同一区域的神经元数量。这个参数决定了层输出中通道(特征映射)的数量。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`步`- - - - - -遍历输入的步长
`(1 1 1)`(默认)|三个正整数的向量

在三维中遍历输入的步长，指定为向量(a b c)三个正整数的一个是竖直步长，b是水平步长，和c是沿着深度的步长。在创建层时，您可以指定步作为一个标量，在所有三个方向上使用相同的步长值。

例子:(1 2 3)指定垂直步长为2，水平步长为3，沿深度为1的步长。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`DilationFactor`- - - - - -扩张卷积因子
`(1 1 1)`(默认)|三个正整数的向量

放大卷积(也称为阿特鲁卷积)的因子，表示为一个向量[w h d]三个正整数的h是垂直膨胀，w是水平扩张，和d是沿深度的膨胀。在创建层时，您可以指定DilationFactor作为一个标量，在所有三个方向上使用相同的值进行膨胀。

使用扩展卷积来增加层的接收域(层可以看到的输入区域)，而不增加参数或计算的数量。

该层通过在每个过滤器元素之间插入零来扩展过滤器。膨胀因子决定了对输入采样的步长，或相当于滤波器的上采样因子。它对应的有效过滤器大小为(过滤器的大小- 1) *膨胀系数+ 1。例如，一个带有膨胀因子的3 × 3 × 3滤波器(2 2 2)相当于一个5乘5乘5的过滤器，元素之间为零。

例子:(1 2 3)将过滤器纵向放大2倍，横向放大3倍，沿深度放大1倍。

`PaddingSize`- - - - - -大小的填充
`[0 0 0;0 0 0]`(默认)|非负整数的2 × 3矩阵

应用于输入边框的填充大小，指定为2 × 3矩阵[t l f;b r k]非负整数的t而且b填充物是垂直方向涂在顶部和底部的吗?l而且r填充是否应用到水平方向的左侧和右侧f而且k是填充物应用到前面和后面沿深度。换句话说，第一行指定了预加法，第二行定义了三个维度中的后加法。

创建图层时，使用“填充”参数指定填充大小。

例子:[1 2 4;1 2 4]在顶部和底部添加一行填充，在左侧和右侧添加两列填充，在输入的前后添加四个平面填充。

`PaddingMode`- - - - - -方法来确定填充大小
`“手动”`(默认)|`“相同”`

方法来确定填充大小，指定为“手动”或“相同”．

软件会自动设置PaddingMode基于创建图层时指定的Padding值。

如果你设置“填充”选项设置为标量或非负整数的向量，然后软件自动设置PaddingMode来“手动”．
如果你设置“填充”选项“相同”，然后软件自动设置PaddingMode来“相同”并在训练时计算填充的大小，以便当步幅为1时输出与输入的大小相同。如果stride大于1，则输出大小为装天花板(inputSize /步),在那里inputSize输入的高度、宽度或深度是和步是对应维度中的步幅。如果可能的话，软件会在顶部和底部、左边和右边、前面和后面添加相同数量的填充。如果给定维度中的填充值为奇数，则软件将额外的填充添加到输入中作为延迟添加。换句话说，该软件在底部增加了额外的垂直填充，在右边增加了额外的水平填充，在输入的后面增加了额外的深度填充。

`PaddingValue`- - - - - -填充数据的值
0(默认)|标量|`“symmetric-include-edge”`|`“symmetric-exclude-edge”`|`“复制”`

值填充数据，指定为以下之一:

`PaddingValue`	描述	例子
标量	填充指定的标量值。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 3. & 1 & 4 & 0 & 0 \\ 0 & 0 & 1 & 5 & 9 & 0 & 0 \\ 0 & 0 & 2 & 6 & 5 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \end{matrix} ］$
`“symmetric-include-edge”`	使用输入的镜像值(包括边值)进行填充。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \end{matrix} ］$
`“symmetric-exclude-edge”`	使用输入的镜像值(不包括边值)进行填充。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \end{matrix} ］$
`“复制”`	使用输入的重复边框元素填充	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 1 & 1 & 1 & 5 & 9 & 9 & 9 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \end{matrix} ］$

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64|字符|字符串

`NumChannels`- - - - - -输入通道数
`“汽车”`(默认)|正整数

此属性是只读的。

输入通道的数量，指定为以下之一:

“汽车”—训练时自动确定输入通道数量。
正整数-为指定的输入通道数量配置层。NumChannels并且层输入数据中的通道数量必须匹配。例如，如果输入是RGB图像，那么NumChannels必须是3。如果输入是带有16个滤波器的卷积层的输出，那么NumChannels必须是16。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64|字符|字符串

参数和初始化

`WeightsInitializer`- - - - - -函数初始化权重
`“glorot”`(默认)|`“他”`|`“narrow-normal”`|`“零”`|`“的”`|函数处理

函数初始化权重，指定为以下之一:

“glorot”-使用gloot初始化器初始化权重[1](也称为Xavier初始化器)。gloria初始化器从均值和方差为零的均匀分布中独立采样2 / (numIn + numOut),在那里numIn = FilterSize (1) * FilterSize (2) * FilterSize (3) * NumChannels而且numOut = FilterSize (1) * FilterSize (2) * FilterSize (3) * NumFilters．
“他”-使用He初始化器初始化权重[２]．He初始化器样本来自均值和方差为零的正态分布2 / numIn,在那里numIn = FilterSize (1) * FilterSize (2) * FilterSize (3) * NumChannels．
“narrow-normal”-通过从均值为零、标准差为0.01的正态分布中独立抽样初始化权重。
“零”-用0初始化权值。
“的”-用1初始化权重。
函数句柄——使用自定义函数初始化权重。如果指定了函数句柄，则该函数必须具有以下形式重量= func(深圳),在那里深圳是重量的大小。示例请参见指定自定义权重初始化函数．

时，该层才初始化权重权重属性是空的。

数据类型:字符|字符串|function_handle

`BiasInitializer`- - - - - -函数初始化偏置
`“零”`(默认)|`“narrow-normal”`|`“的”`|函数处理

函数初始化偏移量，指定为以下之一:

“零”-初始偏差为零。
“的”-初始偏差为1。
“narrow-normal”-通过从均值为零、标准差为0.01的正态分布中独立采样来初始化偏差。
函数句柄——使用自定义函数初始化偏置。如果指定了函数句柄，则该函数必须具有以下形式偏见= func(深圳),在那里深圳是偏差的大小。

该层仅在偏见属性是空的。

数据类型:字符|字符串|function_handle

`权重`- - - - - -层的重量
`［］`(默认)|数字数组

卷积层的层权值，指定为数值数组。

层权值是可学习的参数。方法可以直接指定权重的初始值权重层的属性。当你训练一个网络时，如果权重属性为非空，则trainNetwork使用权重属性作为初始值。如果权重那么，财产是空的trainNetwork类指定的初始化式WeightsInitializer层的属性。

在培训时,权重是一个FilterSize (1)——- - - - - -FilterSize (2)——- - - - - -FilterSize (3)——- - - - - -NumChannels——- - - - - -NumFilters数组中。

数据类型:单|双

`偏见`- - - - - -层的偏见
`［］`(默认)|数字数组

卷积层的层偏差，指定为数值数组。

层偏差是可学习的参数。当你训练一个网络时，如果偏见非空的,那么trainNetwork使用偏见属性作为初始值。如果偏见是空的,然后trainNetwork使用指定的初始化式BiasInitializer．

在培训时,偏见是一个1-by-1-by-1-by——NumFilters数组中。

数据类型:单|双

学习率和正规化

`WeightLearnRateFactor`- - - - - -学习率因子的权重
`1`(默认)|负的标量

权重的学习率因子，指定为非负标量。

软件将该因子乘以全局学习率，以确定该层中权重的学习率。例如,如果WeightLearnRateFactor是2，则该层权值的学习率为当前全局学习率的两倍。该软件根据您使用的设置确定全局学习率trainingOptions函数。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`BiasLearnRateFactor`- - - - - -学习率因素的偏差
`1`(默认)|负的标量

偏差的学习率因子，指定为非负标量。

软件将该因子乘以全局学习率，以确定该层中偏差的学习率。例如,如果BiasLearnRateFactor是2，则该层中偏差的学习率为当前全局学习率的两倍。该软件根据您使用的设置确定全局学习率trainingOptions函数。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`WeightL2Factor`- - - - - -l₂权值的正则化因子
1(默认)|负的标量

l₂权值的正则化因子，指定为非负标量。

软件将这个因子乘以全局变量l₂正则化因子的确定l₂正则化这一层的权重。例如,如果WeightL2Factor是2,那么l₂这一层权值的正则化是全局权值的两倍l₂正则化因子。您可以指定全局l₂正则化因子使用trainingOptions函数。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`BiasL2Factor`- - - - - -l₂偏差的正则化因子
`0`(默认)|负的标量

l₂偏差的正则化因子，指定为非负标量。

软件将这个因子乘以全局变量l₂正则化因子的确定l₂这一层的偏差的正则化。例如,如果BiasL2Factor是2,那么l₂这一层偏差的正则化是全局偏差的两倍l₂正则化因子。您可以指定全局l₂正则化因子使用trainingOptions函数。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

层

`的名字`- - - - - -层的名字
`”`(默认)|特征向量|字符串标量

层名，指定为字符向量或字符串标量。为层数组输入,trainNetwork，assembleNetwork，layerGraph,dlnetwork函数自动为具有此名称的层分配名称”．

数据类型:字符|字符串

`NumInputs`- - - - - -输入数量
`1`(默认)

此属性是只读的。

层的输入数。该层只接受单个输入。

数据类型:双

`InputNames`- - - - - -输入名字
`{'在'}`(默认)

此属性是只读的。

输入图层名称。该层只接受单个输入。

数据类型:细胞

`NumOutputs`- - - - - -数量的输出
`1`(默认)

此属性是只读的。

层的输出数量。这个层只有一个输出。

数据类型:双

`OutputNames`- - - - - -输出的名字
`{“出”}`(默认)

此属性是只读的。

输出层的名称。这个层只有一个输出。

数据类型:细胞

例子

全部折叠

创建3d卷积层

打开生活的脚本

创建一个具有16个过滤器的3d卷积层，每个过滤器的高度、宽度和深度为5。三个方向的步幅(步长)均为4。

16层= convolution3dLayer(5日,“步”4)

名称:" Hyperparameters FilterSize: [5 5 5] NumChannels: 'auto' NumFilters: 16 Stride: [4 4 4] DilationFactor: [1 1 1] PaddingMode: 'manual' PaddingSize: [2x3 double] PaddingValue: 0可学习参数权重:[]Bias:[]显示所有属性

包含一个三维卷积层层数组中。

层= [.．.image3dInputLayer([28 28 28 3])卷积3dlayer (5,16，“步”4) reluLayer maxPooling3dLayer (2“步”4) fullyConnectedLayer(10) softmaxLayer classificationLayer]

输入28x28x28x3图像与'零中心'归一化2 " 3d卷积16 5x5x5卷积与stride[4 4 4]和填充[0 0 0;0 0 0] 3 " ReLU ReLU 4 " 3- d最大池化2x2x2最大池化与stride[4 4 4]和填充[0 0 0;0 0 0] 5“全连接10全连接层6”Softmax Softmax 7”分类输出

在三维卷积层中指定初始权值和偏差

打开生活的脚本

要指定权重和偏差初始化函数，请使用WeightsInitializer而且BiasInitializer属性分别。要直接指定权重和偏差，请使用权重而且偏见属性分别。

指定初始化函数

创建一个带有32个过滤器的3-D卷积层，每个过滤器的高度、宽度和深度为5。将权重初始化式指定为He初始化式。

filterSize = 5;numFilters = 32;层= convolution3dLayer (filterSize numFilters,.．.“WeightsInitializer”，“他”）

名称:" Hyperparameters FilterSize: [5 5 5] NumChannels: 'auto' NumFilters: 32 Stride: [1 1 1] DilationFactor: [1 1 1] PaddingMode: 'manual' PaddingSize: [2x3 double] PaddingValue: 0可学习参数Weights: [] Bias:[]显示所有属性

请注意,权重而且偏见属性是空的。在训练时，软件使用指定的初始化函数初始化这些属性。

指定自定义初始化函数

要为权重和偏差指定自己的初始化函数，请设置WeightsInitializer而且BiasInitializer属性的函数句柄。对于这些属性，指定将权重和偏差的大小作为输入和输出初始化值的函数句柄。

创建一个包含32个过滤器的卷积层，每个过滤器的高、宽、深分别为5。指定从标准偏差为0.0001的高斯分布中抽样权重和偏差的初始化式。

filterSize = 5;numFilters = 32;层= convolution3dLayer (filterSize numFilters,.．.“WeightsInitializer”， @(sz)兰德(sz) * 0.0001，.．.“BiasInitializer”， @(sz)兰特(sz) * 0.0001)

名称:" Hyperparameters FilterSize: [5 5 5] NumChannels: 'auto' NumFilters: 32 Stride: [1 1 1] DilationFactor: [1 1 1] PaddingMode: 'manual' PaddingSize: [2x3 double] PaddingValue: 0可学习参数Weights: [] Bias:[]显示所有属性

再一次,权重而且偏见属性是空的。在训练时，软件使用指定的初始化函数初始化这些属性。

直接指定权重和偏差

创建一个兼容彩色图像的三维卷积层。将权重和偏差设置为W而且b在MAT文件中Conv3dWeights.mat分别。

filterSize = 5;numFilters = 32;负载Conv3dWeights层= convolution3dLayer (filterSize numFilters,.．.“重量”W,.．.“偏见”, b)

layer = Convolution3DLayer with properties: Name: " Hyperparameters FilterSize: [5 5 5] NumChannels: 3 NumFilters: 32 Stride: [1 1 1] DilationFactor: [1 1 1] PaddingMode: 'manual' PaddingSize: [2x3 double] PaddingValue: 0可学习参数Weights: [5- d double] Bias: [1x1x1x32 double]显示所有属性

在这里,权重而且偏见属性包含指定的值。在训练时，如果这些属性非空，那么软件使用指定的值作为初始权值和偏差。在这种情况下，软件不使用初始化器函数。

创建卷积层，完全覆盖3-D输入

打开生活的脚本

假设输入的大小是28乘28乘28乘28乘1。创建一个带有16个过滤器的3-D卷积层，每个过滤器的高度为6，宽度为4，深度为5。将所有维度的步幅设置为4。

确保卷积完全覆盖了输入。为了使卷积完全覆盖输入，输出维数必须是整数。当没有扩张时我-输出维度计算为(imageSize(我) - filterSize (我) +填充(我)) /步(我) + 1。

要使水平输出维度为整数，需要两行填充:(28 - 6 + 2)/4 + 1 = 7。通过在图像的顶部和底部添加一行填充对称地分布填充。
对于垂直输出维度为整数，不需要填充:(28 - 4+ 0)/4 + 1 = 7。
如果深度输出维度是一个整数，则需要一个填充平面:(28 - 5 + 1)/4 + 1 = 7。您必须在图像的前面和后面不对称地分配填充。这个例子在图像的后面添加了一个填充平面。

构造卷积层。指定“填充”作为一个2 × 3矩阵。第一行指定预添加，第二行指定在三个维度中延迟添加。

layer = convolution3dLayer([6 4 5]，16，“步”，4，“填充”，[1 0 0;1 0 1])

Name: " Hyperparameters FilterSize: [6 4 5] NumChannels: 'auto' NumFilters: 16 Stride: [4 4 4] DilationFactor: [1 1 1] PaddingMode: 'manual' PaddingSize: [2x3 double] PaddingValue: 0可学习参数权重:[]Bias:[]显示所有属性

算法

全部展开

三维卷积层

卷积层对输入应用滑动卷积滤波器。三维卷积层将二维卷积层的功能扩展到三维深度。该层通过沿着输入垂直、水平和深度移动滤波器来卷积输入，计算权值和输入的点积，然后添加一个偏差项。要了解更多，请参见定义卷积的层在convolution2dLayer参考页面。

层卷积的维度取决于层输入:

对于三维图像输入(五个维度的数据对应于三个空间维度的像素、通道和观测)，该层在空间维度上进行卷积。
对于三维图像序列输入(六维数据，对应于三个空间维度的像素、通道、观测和时间步长)，该层在空间维度上进行卷积。
对于二维图像序列输入(五维数据，对应于两个空间维度的像素、通道、观测值和时间步长)，该层在空间和时间维度上进行卷积。

图层输入和输出格式

层数组或层图中的层将数据以格式化的方式传递给后续层dlarray对象。的格式dlarray对象是一个字符字符串，其中每个字符描述数据的相应维度。格式由以下一个或多个字符组成:

“S”——空间
“C”——频道
“B”——批
“T”——时间
“U”——未指明的

例如，用4-D数组表示的二维图像数据，其中前两个维度对应图像的空间维度，第三个维度对应图像的通道，第四个维度对应批处理维度，可以描述为具有格式“SSCB”(空间，空间，渠道，批处理)。

你可以与它们交互dlarray对象在自动区分工作流程中，如开发自定义层，使用functionLayer对象，或者使用向前而且预测功能与dlnetwork对象。

的支持的输入格式Convolution3DLayer对象和相应的输出格式。如果将层的输出传递给不继承自的自定义层nnet.layer.Formattable类,或FunctionLayer对象的Formattable选项设置为假，则该层接收到一个未格式化的dlarray对象，其维度顺序与该表中概述的格式相对应。

输入格式	输出格式
`“SSSCB”`(空间，空间，空间，渠道，批次)	`“SSSCB”`(空间，空间，空间，渠道，批次)
`“SSCBT”`(空间，空间，渠道，批次，时间)	`“SSCBT”`(空间，空间，渠道，批次，时间)
`“SSSCBT”`(空间，空间，空间，渠道，批次，时间)	`“SSSCBT”`(空间，空间，空间，渠道，批次，时间)

参考文献

格洛罗，泽维尔和约舒亚·本吉奥。《理解训练深度前馈神经网络的困难》在第十三届人工智能与统计学国际会议论文集, 249 - 356。撒丁岛，意大利:AISTATS, 2010。

何凯明，张翔宇，任少卿，孙健。深入研究整流器:在ImageNet分类上超越人类水平的性能。在2015年IEEE计算机视觉国际会议论文集, 1026 - 1034。华盛顿:IEEE计算机视觉学会，2015。

版本历史

介绍了R2019a

另请参阅

convolution2dLayer|globalAveragePooling3dLayer|maxPooling3dLayer|image3dInputLayer|averagePooling3dLayer

convolution3dLayer

描述

创建

语法

描述

输入参数

填充- - - - - -输入边缘填充0(默认)|非负整数数组|“相同”

属性

三维卷积

FilterSize- - - - - -过滤器的高度，宽度和深度三个正整数的向量

NumFilters- - - - - -数量的过滤器正整数

步- - - - - -遍历输入的步长(1 1 1)(默认)|三个正整数的向量

DilationFactor- - - - - -扩张卷积因子(1 1 1)(默认)|三个正整数的向量

PaddingSize- - - - - -大小的填充[0 0 0;0 0 0](默认)|非负整数的2 × 3矩阵

PaddingMode- - - - - -方法来确定填充大小“手动”(默认)|“相同”

PaddingValue- - - - - -填充数据的值0(默认)|标量|“symmetric-include-edge”|“symmetric-exclude-edge”|“复制”

NumChannels- - - - - -输入通道数“汽车”(默认)|正整数

参数和初始化

WeightsInitializer- - - - - -函数初始化权重“glorot”(默认)|“他”|“narrow-normal”|“零”|“的”|函数处理

BiasInitializer- - - - - -函数初始化偏置“零”(默认)|“narrow-normal”|“的”|函数处理

权重- - - - - -层的重量［］(默认)|数字数组

偏见- - - - - -层的偏见［］(默认)|数字数组

学习率和正规化

WeightLearnRateFactor- - - - - -学习率因子的权重1(默认)|负的标量

BiasLearnRateFactor- - - - - -学习率因素的偏差1(默认)|负的标量

WeightL2Factor- - - - - -l2权值的正则化因子1(默认)|负的标量

BiasL2Factor- - - - - -l2偏差的正则化因子0(默认)|负的标量

层

的名字- - - - - -层的名字”(默认)|特征向量|字符串标量

NumInputs- - - - - -输入数量1(默认)

InputNames- - - - - -输入名字{'在'}(默认)

NumOutputs- - - - - -数量的输出1(默认)

OutputNames- - - - - -输出的名字{“出”}(默认)

例子

创建3d卷积层

在三维卷积层中指定初始权值和偏差

创建卷积层，完全覆盖3-D输入

算法

三维卷积层

图层输入和输出格式

参考文献

版本历史

另请参阅

主题

`填充`- - - - - -输入边缘填充
`0`(默认)|非负整数数组|`“相同”`

`FilterSize`- - - - - -过滤器的高度，宽度和深度
三个正整数的向量

`NumFilters`- - - - - -数量的过滤器
正整数

`步`- - - - - -遍历输入的步长
`(1 1 1)`(默认)|三个正整数的向量

`DilationFactor`- - - - - -扩张卷积因子
`(1 1 1)`(默认)|三个正整数的向量

`PaddingSize`- - - - - -大小的填充
`[0 0 0;0 0 0]`(默认)|非负整数的2 × 3矩阵

`PaddingMode`- - - - - -方法来确定填充大小
`“手动”`(默认)|`“相同”`

`PaddingValue`- - - - - -填充数据的值
0(默认)|标量|`“symmetric-include-edge”`|`“symmetric-exclude-edge”`|`“复制”`

`NumChannels`- - - - - -输入通道数
`“汽车”`(默认)|正整数

`WeightsInitializer`- - - - - -函数初始化权重
`“glorot”`(默认)|`“他”`|`“narrow-normal”`|`“零”`|`“的”`|函数处理

`BiasInitializer`- - - - - -函数初始化偏置
`“零”`(默认)|`“narrow-normal”`|`“的”`|函数处理

`权重`- - - - - -层的重量
`［］`(默认)|数字数组

`偏见`- - - - - -层的偏见
`［］`(默认)|数字数组

`WeightLearnRateFactor`- - - - - -学习率因子的权重
`1`(默认)|负的标量

`BiasLearnRateFactor`- - - - - -学习率因素的偏差
`1`(默认)|负的标量

`WeightL2Factor`- - - - - -l₂权值的正则化因子
1(默认)|负的标量

`BiasL2Factor`- - - - - -l₂偏差的正则化因子
`0`(默认)|负的标量

`的名字`- - - - - -层的名字
`”`(默认)|特征向量|字符串标量

`NumInputs`- - - - - -输入数量
`1`(默认)

`InputNames`- - - - - -输入名字
`{'在'}`(默认)

`NumOutputs`- - - - - -数量的输出
`1`(默认)

`OutputNames`- - - - - -输出的名字
`{“出”}`(默认)