何时使用 conv2d 和 conv3d

当处理图像数据时，通常使用 2D 卷积操作；当处理视频或 3D 空间数据时，使用 3D 卷积操作。

conv2d

conv2d 是 TensorFlow 中实现 2D 卷积操作的函数。它接受的输入是一个 4D 张量，形状为 [batch_size, height, width, channels]。

• batch_size 表示每次输入的数据样本数量。
• height 表示每个输入数据样本的高度。
• width 表示每个输入数据样本的宽度。
• channels 表示每个输入数据样本的通道数，例如 RGB 图像的通道数为 3。

以下是一个使用 conv2d 的示例，执行 32 个 3x3 的卷积核对 224x224x3 的输入进行卷积操作：

import tensorflow as tf

input_data = tf.random.normal([1, 224, 224, 3])
conv = tf.keras.layers.Conv2D(32, 3)(input_data)

conv3d

conv3d 是 TensorFlow 中实现 3D 卷积操作的函数。它接受的输入是一个 5D 张量，形状为 [batch_size, depth, height, width, channels]。

• batch_size 表示每次输入的数据样本数量。
• depth 表示每个输入数据样本的深度或时间长度。
• height 表示每个输入数据样本的高度。
• width 表示每个输入数据样本的宽度。
• channels 表示每个输入数据样本的通道数。

以下是一个使用 conv3d 的示例，执行 32 3x3x3 的卷积核对 32x32x32x1 的输入进行卷积操作：

import tensorflow as tf

input_data = tf.random.normal([1, 32, 32, 32, 1])
conv = tf.keras.layers.Conv3D(32, 3)(input_data)

总体而言，我们可以通过选择卷积核的尺寸、数量和不同的 padding 等参数来改变卷积操作的特性，以适应不同的数据特点。