tf.nn.conv3d_backprop_filter_v2函数

tf.nn.conv3d_backprop_filter_v2(
    input,
    filter_sizes,
    out_backprop,
    strides,
    padding,
    data_format='NDHWC',
    dilations=[1, 1, 1, 1, 1],
    name=None
)

请参阅指南：神经网络>卷积运算

计算相对于滤波器的3-D卷积的梯度.

参数：

• input：一个Tensor,必须是下列类型之一：half,bfloat16,float32,float64,形状[batch, depth, rows, cols, in_channels].
• filter_sizes：类型是int32的Tensor,用于表示filter的张量形状的整数向量,其中filter是5-D [filter_depth, filter_height, filter_width, in_channels, out_channels]张量.
• out_backprop：一个Tensor,必须与input相同；Backprop信号的形状[batch, out_depth, out_rows, out_cols, out_channels].
• strides：ints的列表,长度>= 5,长度为5的1-D张量,input每个维度的滑动窗口的步幅,必须有strides[0] = strides[4] = 1.
• padding：string可以是："SAME", "VALID",要使用的填充算法的类型.
• data_format：可选的string,可以是："NDHWC", "NCDHW".默认为"NDHWC"；输入和输出数据的数据格式；使用默认格式“NDHWC”,数据按以下顺序存储：[batch,in_depth,in_height,in_width,in_channels]；或者,格式可以是“NCDHW”,数据存储顺序是：[batch,in_channels,in_depth,in_height,in_width].
• dilations：ints的可选列表,默认为[1, 1, 1, 1, 1]；长度为5的1-D张量,input每个维度的膨胀系数；如果设置为k> 1,则该维度上的每个滤镜元素之间将有k-1个跳过的单元格；维度顺序由值确定data_format,批次和深度尺寸的扩张必须为1.
• name：操作的名称(可选).

返回：

一个Tensor,与input有相同的类型.