Pytorch实现姿态识别（二）——视频分析C3D的网络架构

C3D网络架构与结构图：

3D卷积与2D卷积的区别：其中多了一个时间维度

三维卷积与三维池化的理解：

① nn.Conv3d(3, 64, kernel_size=(3, 3, 3), padding=(1, 1, 1))
kernel_size=(3, 3, 3)：
第一个3：一共16帧，当前处理3帧；
第二、三个3：H,W的大小；

padding=(1, 1, 1)：三维、高、宽都填充1

② nn.MaxPool3d(kernel_size=(1, 2, 2), stride=(1, 2, 2))
kernel_size=(1, 2, 2), stride=(1, 2, 2)：
第一个1：时间序列上的长度为1，16帧数据经过pooling还是16；作者不希望刚开始的时候压缩在时间序列上的特征。
第二、三个2：H,W的长度为2，高、宽经pooling后变为原来的一半。