一文搞定3D卷积

一文搞定3D卷积

在讨论卷积核的时候，是不把channel维加进去的

核 = 一个可以滑动的窗口

窗口内不同位置数据之间的权值共享

3D卷积，卷积核会在3个方向上运动，那么卷积核的运动需要有三个自由度（一小块立方体，在一个大面包块内3个方向上滑动
2D卷积，卷积核只在2个方向上运动，因此只有两个自由度（一小片纸，在一大张纸内2个方向上滑动
1D卷积，卷积核只在1个方向上运动，因此只有一个自由度（一条滑窗，在一大长线上1个方向上滑动

一个卷积核运算一次 得到一个输出值（先乘法再加法）

---

接下来考虑，卷积层如何进行计算，即将卷积核作用在多个输入通道上，又得到多个输出通道。

下图展示了CxHxW的输入特征，通过2D卷积层，得到1xHxW的输出特征的过程。

用pytorchAPI描述就是：

torch.nn.Conv2d(in_channels=C, out_channels=1, kernel_size=3, stride=1, padding=0, dilation=1, groups=1, bias=Falese, padding_mode='zeros', device=None, dtype=None)

该卷积层参数量为：输入通道数*输出通道数*kernel_size*kernel*size=