关于3DCNN卷积网络卷积网络结构以及参数变化-Toy模板网

这篇具有很好参考价值的文章主要介绍了关于3DCNN卷积网络卷积网络结构以及参数变化。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

关于3DCNN卷积网络卷积网络结构以及参数变化

以下是使用3DCNN的相关代码

model = Sequential()
model.add(Conv3D(32, (3, 3, 5), activation='gelu',input_shape = (75, 55, 88, 1)))
model.add(BatchNormalization())
model.add(MaxPool3D((2, 2, 2)))

model.add(Conv3D(32, (3, 3, 5), activation='gelu'))
model.add(BatchNormalization())
model.add(MaxPool3D((2, 2, 2)))

model.add(Conv3D(32, (3, 3, 5), activation='gelu'))
model.add(BatchNormalization())
model.add(MaxPool3D((2, 2, 2)))

model.add(Flatten())
#model.add(Dense(60, activation='relu'))
model.add(Dense(512, activation='gelu',kernel_regularizer=regularizers.l2(0.003),activity_regularizer=regularizers.l1(0.005)))
#model.add(Dropout(0.5))
model.add(Dense(4))

3d卷积网络,cnn,网络,深度学习

3DCNN卷积

过程中的一般形式

静态图片描述：
3d卷积网络,cnn,网络,深度学习
（a）、（b）图分别表示单通道与多通道的2D卷积操作，其特点即L(Input_shape)=L(kernel)，（c）图为3D卷积操作卷积核的深度<输入数据的深度，在同一深度操作完成之后会根据stride跳入下一深度继续进行卷积操作。

动态图片描述：
3d卷积网络,cnn,网络,深度学习
如图所示更加直观的3D卷积CNN网络

3D卷积的参数量以及output_shape

model.add(Conv3D(32, (3, 3, 5), activation='gelu',input_shape = (75, 55, 88, 1)))

输入的数据尺寸=（75，55，88，1）
卷积核大小=（3，3，5）×32
默认stride=（1，1，1）

卷积后尺寸计算

假设输入的特征图（feature map）的shape为[Height, Weight, Channel]，对应的字母表示为： $H_-in , W_-in,C_-in]$ ；

卷积核（kernel）的shape为： $H_k , W_k]$ ;
滤波器（filter）的shape为： $C_-out,H_-out , W_-out,C_-in]$
输出的feature_map的shape为： $H_-out , W_-out,C_-out]$
padding： $P_1,P_2]$
stride: $S_1,S_2]$
按照公式：
$H_-out=(H_-in+2P_1-H_k)/S_1\ +1$
$W_-out=(W_-in+2P_2-W_k)/S_2\ +1$

变量数的计算

根据公式：

卷积核参数量： $H_x×W_k$
滤波器的参数量： $C_-out\times H_k\times W_k\times C_-in$
bias参数量： $C_-out$
总的参数量： $C_-out\times H_k\times W_k\times C_in+C_-out$

Layer(type)	outputshape	param
conv3d (Conv3D)	(None,73,53,84,32)	1472

conv3d由上式计算可得：
shape：(75-3+2×0)/1+1=73，(55-3+2×0)/1+1=55，（88-5+2×0）/1+1，32
param：（3×3×5+1）×32=1472

batch_Normalization

计算过程：
3d卷积网络,cnn,网络,深度学习
故其shape不会发生变化
参数量：BatchNormalization 一般接在卷积层后面，对每个通道都有gamma、beta、mean、variance四个参数(mean、variance是Non-trainable Parameters，不会随着训练更新)。因此，BatchNormalization的参数量=4x上一层的输出的通道数。
因此其参数量：32×4=128