Tensorflow.js tf.layers.conv3d() Función

Tensorflow.js es un conjunto de herramientas de código abierto desarrollado por Google para ejecutar modelos de aprendizaje automático y redes neuronales de aprendizaje profundo en el navegador o en la plataforma del Node. También permite a los desarrolladores crear modelos de aprendizaje automático en JavaScript y utilizarlos directamente en el navegador o con Node.js.

La función tf.layers.conv3d() se usa para aplicar la operación de convolución 3D en los datos.

Sintaxis:

tf.layers.conv3d(args)

Parámetros: Acepta el objeto args el cual puede tener las siguientes propiedades:

• filtros (número): La dimensionalidad del espacio de salida (es decir, el número de filtros en la convolución).
• kernelSize (number|number[]): las dimensiones de la ventana de convolución. La ventana convolucional será cuadrada si kernelSize es un número.
• zancadas (número|número[]): Las zancadas convolucionales en cada dimensión. Los pasos en ambas dimensiones son iguales si los pasos son un número.
• relleno: El modo de relleno.
• dataFormat: El formato de datos. Esto especifica el orden en el que se ordenan las dimensiones en las entradas. channelLast es el valor predeterminado.
• dilationRate: en cada dimensión, la tasa de dilatación que se utilizará para la convolución dilatada. Debe ser un entero o una array de dos o tres enteros.
• activación: La función de activación de la capa.
• useBias (booleano): si la capa tiene un vector de sesgo o no. Verdadero es el valor predeterminado.
• kernelInitializer: el inicializador de la array de pesos del kernel convolucional.
• biasInitializer: el inicializador del vector de polarización.
• kernelConstraint: La restricción para los pesos del núcleo convolucional.
• biasConstraint: la restricción para el vector de sesgo.
• kernelRegularizer: la función de regularización aplicada a la array de pesos del kernel.
• biasRegularizer: la función de regularización aplicada al vector de sesgo.
• activityRegularizer: La función de regularizador aplicada a la activación.
• inputShape: si se establece esta propiedad, se utilizará para construir una capa de entrada que se insertará antes de esta capa. 
• batchInputShape: si se establece esta propiedad, se creará e insertará una capa de entrada antes de esta capa. 
• batchSize: si no se proporciona batchInputShape y sí inputShape, se utiliza batchSize para crear el batchInputShape.
• dtype: Es el tipo de tipo de datos para esta capa. float32 es el valor predeterminado. Este parámetro se aplica exclusivamente a las capas de entrada.
• nombre: Este es el nombre de la capa y es de tipo string.
• entrenable: si los pesos de esta capa se pueden cambiar por ajuste. Verdadero es el valor predeterminado.
• pesos: Los valores de peso iniciales de la capa.

Devoluciones: Devuelve un objeto (Conv3D).

Ejemplo 1:

import * as tf from "@tensorflow/tfjs";
  
const input = tf.input({ shape: [4, 4, 4, 4] });
const conv3DLayer = tf.layers.conv3d({ 
    filters: 2, 
    kernelSize: 2
});
const output = conv3DLayer.apply(input);
  
const model = tf.model({ inputs: input, outputs: output });
model.predict(tf.ones([1, 4, 4, 4, 4])).print();

Producción:

Tensor
   [[[[[0.8289496, 0.3677104],
       [0.8289496, 0.3677104],
       [0.8289496, 0.3677104]],
      [[0.8289496, 0.3677104],
       [0.8289496, 0.3677104],
       [0.8289496, 0.3677104]],
      [[0.8289496, 0.3677104],
       [0.8289496, 0.3677104],
       [0.8289496, 0.3677104]]],

     [[[0.8289496, 0.3677104],
       [0.8289496, 0.3677104],
       [0.8289496, 0.3677104]],
      [[0.8289496, 0.3677104],
       [0.8289496, 0.3677104],
       [0.8289496, 0.3677104]],
      [[0.8289496, 0.3677104],
       [0.8289496, 0.3677104],
       [0.8289496, 0.3677104]]],

     [[[0.8289496, 0.3677104],
       [0.8289496, 0.3677104],
       [0.8289496, 0.3677104]],
      [[0.8289496, 0.3677104],
       [0.8289496, 0.3677104],
       [0.8289496, 0.3677104]],
      [[0.8289496, 0.3677104],
       [0.8289496, 0.3677104],
       [0.8289496, 0.3677104]]]]]

Ejemplo 2:

import * as tf from "@tensorflow/tfjs";
  
const input = tf.input({ shape: [2, 4, 4, 1] });
  
const conv3DLayer = tf.layers.conv3d({ 
    filters: 2, 
    kernelSize: 2
});
      
const output = conv3DLayer.apply(input);
  
const model = tf.model({ 
    inputs: input, 
    outputs: output 
});
  
const x = tf.tensor5d([1, 2, 3, 4, 5, 6, 7, 8, 
    9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 
    20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 
    30, 31, 32], [1, 2, 4, 4, 1]
);
  
model.predict(x).print();

Producción:

Tensor
   [[[[[-13.2970839, -1.055295 ],
       [-13.623745 , -1.1944677],
       [-13.950407 , -1.3336394]],
      [[-14.6037302, -1.6119833],
       [-14.9303923, -1.7511561],
       [-15.2570543, -1.8903288]],
      [[-15.9103785, -2.1686723],
       [-16.2370396, -2.3078454],
       [-16.5637016, -2.4470177]]]]]

Referencia: https://js.tensorflow.org/api/latest/#layers.conv3d