Conv3D

class paddle.fluid.dygraph.Conv3D ( num_channels, num_filters, filter_size, stride\=1, padding\=0, dilation\=1, groups\=None, param_attr\=None, bias_attr\=None, use_cudnn\=True, act\=None, dtype\=’float32’ ) [源代码]

该接口用于构建 Conv3D 类的一个可调用对象，具体用法参照 代码示例 。3D卷积层（convolution3D layer）根据输入、滤波器（filter）、步长（stride）、填充（padding）、膨胀（dilations）、组数参数计算得到输出。输入和输出是[N, C, D, H, W]的多维tensor，其中N是批尺寸，C是通道数，D是特征深度，H是特征高度，W是特征宽度。卷积三维（Convlution3D）和卷积二维（Convlution2D）相似，但多了一维深度（depth）。如果提供了bias属性和激活函数类型，bias会添加到卷积（convolution）的结果中相应的激活函数会作用在最终结果上。

对每个输入X，有等式：

Conv3D - 图1

其中：

  • Conv3D - 图2

    ：输入值，NCDHW格式的张量（Tensor）

  • Conv3D - 图3

    ：滤波器值，MCDHW格式的张量（Tensor）

  • Conv3D - 图4

    ： 卷积操作

  • Conv3D - 图5

    ：Bias值，二维张量（Tensor），维度为 [M,1]

  • Conv3D - 图6

    ：激活函数

  • OutOut ：输出值, Out 和 X 的维度可能不同

示例

  • 输入：

    输入Tensor的维度： [N,Cin,Din,Hin,Win][N,Cin,Din,Hin,Win]

    滤波器Tensor的维度： [Cout,Cin,Df,Hf,Wf][Cout,Cin,Df,Hf,Wf]

  • 输出：

    输出Tensor的维度： [N,Cout,Dout,Hout,Wout][N,Cout,Dout,Hout,Wout]

其中

DoutHoutWout\=(Din+2∗paddings[0]−(dilations[0]∗(Df−1)+1))strides[0]+1\=(Hin+2∗paddings[1]−(dilations[1]∗(Hf−1)+1))strides[1]+1\=(Win+2∗paddings[2]−(dilations[2]∗(Wf−1)+1))strides[2]+1Dout\=(Din+2∗paddings[0]−(dilations[0]∗(Df−1)+1))strides[0]+1Hout\=(Hin+2∗paddings[1]−(dilations[1]∗(Hf−1)+1))strides[1]+1Wout\=(Win+2∗paddings[2]−(dilations[2]∗(Wf−1)+1))strides[2]+1

参数：

  • num_channels (int) - 输入图像的通道数。

  • num_fliters (int) - 滤波器（卷积核）的个数。和输出图像通道相同。

  • filter_size (int|tuple) - 滤波器大小。如果filter_size是一个元组，则必须包含三个整型数，(filter_size_D, filter_size_H, filter_size_W)。如果filter_size是一个int型，则filter_size_depth = filter_size_height = filter_size_width = filter_size。

  • stride (int|tuple，可选) - 步长(stride)大小。滤波器和输入进行卷积计算时滑动的步长。如果步长（stride）为元组，则必须包含三个整型数， (stride_D, stride_H, stride_W)。否则，stride_D = stride_H = stride_W = stride。默认值为1。

  • padding (int|tuple，可选) - 填充（padding）大小。padding参数在输入特征层每边添加padding个0。如果填充（padding）为元组，则必须包含三个整型数，(padding_depth, padding_height, padding_width)。否则， padding_depth = padding_height = padding_width = padding。默认值为0。

  • dilation (int|tuple，可选) - 膨胀（dilation）大小。空洞卷积时会指该参数，滤波器对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息，根据 可视化效果图 较好理解。如果膨胀（dialation）为元组，则必须包含两个整型数， (dilation_D, dilation_H, dilation_W)。否则，dilation_D = dilation_H = dilation_W = dilation。默认值为1。

  • groups (int，可选) - 三维卷积层（Conv3D Layer）的组数。根据Alex Krizhevsky的深度卷积神经网络（CNN）论文中的成组卷积：当group=2，输入和滤波器分别根据通道数量平均分为两组，第一组滤波器和第一组输入进行卷积计算，第二组滤波器和第二组输入进行卷积计算。默认值为1。

  • param_attr (ParamAttr，可选) - 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。

  • bias_attr (ParamAttr，可选) - 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 ParamAttr。

  • use_cudnn （bool，可选） - 是否用cudnn内核，只有安装Paddle GPU版时才有效。默认值为True。

  • act (str，可选) - 激活函数类型，如果设为None，则未添加激活函数。默认值为None。

  • dtype (str, 可选) - 数据类型，可以为”float32”或”float64”。默认值：”float32”。

返回：无

代码示例：

  1. import paddle.fluid as fluid
  2. import numpy
  4. with fluid.dygraph.guard():
  5.     data = numpy.random.random((5, 3, 12, 32, 32)).astype('float32')
  6.     conv3d = fluid.dygraph.nn.Conv3D(
  7.           'Conv3D', num_filters=2, filter_size=3, act="relu")
  8.     ret = conv3d(fluid.dygraph.base.to_variable(data))

属性

weight

本层的可学习参数，类型为 Parameter

bias

本层的可学习偏置，类型为 Parameter