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:
Javascript
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:
Javascript
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
Publicación traducida automáticamente
Artículo escrito por aayushmohansinha y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA