我正在使用TFRecord数据集，该数据集由3D对象横截面的多个灰度图像组成，最终形状为[32，256，256]。尺寸32代表横截面的数量，并且显着小于其他尺寸。
因此，我想知道是否可以将数据视为具有32个通道的2D数据，而不是将数据视为具有一个通道的3D数据，特别是在需要的计算资源方面有所帮助。我现在将TensorFlow与Google Colab中的TPU一起使用，并且使用tf.layers.conv2d而不是tf.layers.conv3d可以节省大量填充，而无需填充。
两种方法之间是否存在重大区别，或者我应该遵循哪些约定？使用conv2d会以任何方式损害我的准确性吗？
答案 0 :(得分：1)
与完全连接的2D层相比，卷积层的主要优点之一是权重在2D区域是局部的，并且在所有2D位置（即过滤器）上共享。这意味着即使图像多次出现或在不同位置出现，图像中的识别图案也会被学习一次。即它在翻译上几乎不变。
对于3D信号，如果需要滤波器输出不随深度变化，即需要辨别特征，即图像中任意一个或多个深度处都可能出现歧视性特征，或者特征的深度位置，则需要进行计算是相对固定的。前者需要3D卷积，而后者则可以摆脱带有许多通道的2D卷积。
例如（弥补这个问题-我还没有做这个），假设您对某人的肺部进行了3D扫描，并且您正在尝试对是否存在肿瘤进行分类。为此，您将需要3D卷积，因为代表“肿瘤”的滤镜组合必须对于该肿瘤的X，Y和Z位置都是不变的。如果在这种情况下使用2D卷积，则训练集必须在所有不同的Z位置上都有肿瘤的示例，否则网络将对Z位置非常敏感。
BTW：带有LSTM的CNN是另一种处理3D数据的方法。