【3DCNN基础】

【概述】

3DCNN是可以处理３D输入数据的卷积神经网络，结构与２DCNN相同，但是比２DCNN占用更多的内存空间和运行时间。另一方面，由于输入数据的信息很丰富，３DCNN可以给出更精确的结果。CNN架构包括resnet, LeNet, Densenet等，这些架构也以三维形式提供。

【３D卷积层】

 卷积层采用卷积来检索图像信号中包含的特征。卷积层的输出称为特征图或者激活图。３D卷积操作比２D卷积操作更为复杂。

 

 【３D池化层】

池化层用于减少图像的空间维度，同时仅保留最具描述性的像素。有 3 种常用方法可供使用：最大池化（选择最大值）、最小池化（选择最低值）、平均池化（值的平均值）。

 

 【３D全连接层】

全连接层适用于之前已经展平的输入，它将一层中的每个神经元连接到另一层中的所有神经元。

 

【激活函数】

激活函数是一个数学函数，它考虑权重和偏差来确定哪个结果将转移到下一个神经元，可以分为线性激活函数和非线性激活函数。这种激活函数的选择取决于要解决的问题的类型。

非线性激活函数：

                 

 【３DCNN和２ＤＣＮＮ比较】

 原文链接：https://www.reachiteasily.com/2021/06/3d-convolutional-neural-network-pytorch.html

 此笔记仅供自己复习使用！