conv3d

paddle.nn.functional.conv3d ( x, weight, bias\=None, stride\=1, padding\=0, dilation\=1, groups\=1, data_format\=’NCHW’, name\=None ) [源代码]

该OP是三维卷积层（convolution3D layer），根据输入、卷积核、步长（stride）、填充（padding）、空洞大小（dilations）一组参数计算得到输出特征层大小。输入和输出是NCDHW或NDWHC格式，其中N是批尺寸，C是通道数，D是特征层深度，H是特征层高度，W是特征层宽度。三维卷积（Convlution3D）和二维卷积（Convlution2D）相似，但多了一维深度信息（depth）。如果bias_attr不为False，卷积计算会添加偏置项。

对每个输入X，有等式：

其中：

• 

  ：输入值，NCDHW或NDHWC格式的5-D Tensor

• 

  ：卷积核值，MCDHW格式的5-D Tensor

• 

  ：卷积操作

• 

  ：偏置值，2-D Tensor，形为 [M,1]

• 

  ：激活函数

• 

  ：输出值, NCDHW或NDHWC格式的5-D Tensor，和 X 的形状可能不同

示例

• 输入：

  输入形状： (N,Cin,Din,Hin,Win)(N,Cin,Din,Hin,Win)

  卷积核形状： (Cout,Cin,Df,Hf,Wf)(Cout,Cin,Df,Hf,Wf)

• 输出：

  输出形状： (N,Cout,Dout,Hout,Wout)(N,Cout,Dout,Hout,Wout)

参数：

• x (Tensor) - 输入是形状为 [N,C,H,W][N,C,H,W] 或 [N,H,W,C][N,H,W,C] 的4-D Tensor，N是批尺寸，C是通道数，H是特征高度，W是特征宽度，数据类型为float16, float32或float64。

• weight (Tensor) - 形状为 [M,C/g,kH,kW][M,C/g,kH,kW] 的卷积核（卷积核）。 M是输出通道数， g是分组的个数，kH是卷积核的高度，kW是卷积核的宽度。

• bias (int|list|tuple) - 偏置项，形状为： [M,][M,] 。

• stride (int|list|tuple，可选) - 步长大小。卷积核和输入进行卷积计算时滑动的步长。如果它是一个列表或元组，则必须包含两个整型数：（stride_height,stride_width）。若为一个整数，stride_height = stride_width = stride。默认值：1。

• padding (int|list|tuple|str，可选) - 填充大小。如果它是一个字符串，可以是”VALID”或者”SAME”，表示填充算法，计算细节可参考上述 padding = “SAME”或 padding = “VALID” 时的计算公式。如果它是一个元组或列表，它可以有3种格式：(1)包含5个二元组：当 data_format 为”NCDHW”时为 [[0,0], [0,0], [padding_depth_front, padding_depth_back], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right]]，当 data_format 为”NDHWC”时为[[0,0], [padding_depth_front, padding_depth_back], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right], [0,0]]；(2)包含6个整数值：[padding_depth_front, padding_depth_back, padding_height_top, padding_height_bottom, padding_width_left, padding_width_right]；(3)包含3个整数值：[padding_depth, padding_height, padding_width]，此时 padding_depth_front = padding_depth_back = padding_depth, padding_height_top = padding_height_bottom = padding_height, padding_width_left = padding_width_right = padding_width。若为一个整数，padding_depth = padding_height = padding_width = padding。默认值：0。

• dilation (int|list|tuple，可选) - 空洞大小。空洞卷积时会使用该参数，卷积核对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。如果空洞大小为列表或元组，则必须包含两个整型数：（dilation_height,dilation_width）。若为一个整数，dilation_height = dilation_width = dilation。默认值：1。

• groups (int，可选) - 二维卷积层的组数。根据Alex Krizhevsky的深度卷积神经网络（CNN）论文中的成组卷积：当group=n，输入和卷积核分别根据通道数量平均分为n组，第一组卷积核和第一组输入进行卷积计算，第二组卷积核和第二组输入进行卷积计算，……，第n组卷积核和第n组输入进行卷积计算。默认值：1。

• weight_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|bool，可选）- 指定偏置参数属性的对象。若 bias_attr 为bool类型，只支持为False，表示没有偏置参数。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 。

• data_format (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是”NCHW”和”NHWC”。N是批尺寸，C是通道数，H是特征高度，W是特征宽度。默认值：”NCHW”。

• name (str，可选) – 具体用法请参见 cn_api_guide_Name ，一般无需设置，默认值：None。

返回：5-D Tensor，数据类型与 input 一致。返回卷积计算的结果。

返回类型：Tensor。

抛出异常：

• ValueError - 如果 use_cudnn 不是bool值。

• ValueError - 如果 data_format 既不是”NCDHW”也不是”NDHWC”。

• ValueError - 如果 input 的通道数未被明确定义。

• ValueError - 如果 padding 是字符串，既不是”SAME”也不是”VALID”。

• ValueError - 如果 padding 含有5个二元组，与批尺寸对应维度的值不为0或者与通道对应维度的值不为0。

• ShapeError - 如果输入不是5-D Tensor。

• ShapeError - 如果输入和卷积核的维度大小不相同。

• ShapeError - 如果输入的维度大小与 stride 之差不是2。

• ShapeError - 如果输出的通道数不能被 groups 整除。

代码示例：

import paddle
import paddle.nn.functional as F
x_var = paddle.randn((2, 3, 8, 8, 8), dtype='float32')
w_var = paddle.randn((6, 3, 3, 3, 3), dtype='float32')
y_var = F.conv3d(x_var, w_var)
y_np = y_var.numpy()
print(y_np.shape)
# (2, 6, 6, 6, 6)