torch.nn.Conv3D 参数及使用详解

nn.Conv3d 是 PyTorch 中实现三维卷积操作的类。

输入数据参数说明：

输入张量的维度应为 (N, C_in, D, H, W)，其中： N: 批量大小 (batch size)，即一批输入数据中包含的样本数量。 C_in: 输入通道数 (number of input channels)，即输入数据的通道数量，例如彩色图像通常有3个通道（红、绿、蓝）。 D: 输入数据的深度 (depth)。 H: 输入数据的高度 (height)。 W: 输入数据的宽度 (width)。

输出数据参数说明：

输出张量的维度为 (N, C_out, D_out, H_out, W_out)，其中： N: 批量大小 (batch size)，与输入张量的批量大小相同。 C_out: 输出通道数 (number of output channels)，即经过卷积操作后输出特征图的通道数。这个值取决于你在 nn.Conv3d 中设置的 out_channels 参数。 D_out: 输出数据的深度 (depth)。 H_out: 输出数据的高度 (height)。 W_out: 输出数据的宽度 (width)。

输出数据的深度、高度和宽度可以根据以下公式计算：

D_out = floor((D_in + 2 * padding[0] - dilation[0] * (kernel_size[0] - 1) - 1) / stride[0] + 1)
H_out = floor((H_in + 2 * padding[1] - dilation[1] * (kernel_size[1] - 1) - 1) / stride[1] + 1)
W_out = floor((W_in + 2 * padding[2] - dilation[2] * (kernel_size[2] - 1) - 1) / stride[2] + 1)

其中，padding、dilation、kernel_size 和 stride 分别对应 nn.Conv3d 中的相应参数。注意，这些参数可以是单个整数（表示在所有轴上相同）或包含3个整数的元组（分别表示深度、高度和宽度方向的值）。如果你使用的是元组，则上述公式中的索引 [0]、[1] 和 [2] 分别表示深度、高度和宽度方向的值。

nn.Conv3d 函数的参数说明如下：

in_channels (int): 输入特征图的通道数。这应该与要传递给该层的输入张量的通道数匹配。

out_channels (int): 输出特征图的通道数。这是卷积操作后得到的输出张量的通道数。

kernel_size (int or tuple): 三维卷积核的大小。可以是单个整数，表示卷积核的深度、高度和宽度相同，或者是一个包含三个整数的元组，分别表示卷积核的深度、高度和宽度。

stride (int or tuple, optional): 卷积操作的步长。步长是在输入特征图上滑动卷积核时沿深度、高度和宽度方向移动的单位数。可以是单个整数，表示深度、高度和宽度的步长相同，或者是一个包含三个整数的元组，分别表示深度、高度和宽度的步长。默认值是1。

padding (int or tuple, optional): 输入特征图的零填充大小。可以是单个整数，表示深度、高度和宽度方向的填充大小相同，或者是一个包含三个整数的元组，分别表示深度、高度和宽度方向的填充大小。默认值是0。

dilation (int or tuple, optional): 卷积核中元素的间距。可以是单个整数，表示深度、高度和宽度方向的间距相同，或者是一个包含三个整数的元组，分别表示深度、高度和宽度方向的间距。默认值是1。较大的间距值会导致卷积核在输入特征图上的覆盖范围更大，但实际卷积核的大小不变。

groups (int, optional): 控制输入和输出通道之间的连接。groups 的默认值是1，表示所有输入通道都与所有输出通道连接。设为其他值将分割输入和输出通道，以减少计算量。例如，如果 in_channels 为4，out_channels 为8，groups 为2，则前2个输入通道与前4个输出通道连接，后2个输入通道与后4个输出通道连接。

bias (bool, optional): 如果设置为 True，则向卷积操作的输出添加偏置。默认值是 True。

需要注意的是：输出的参数中需要值得提的就是D_out, 这个参数就是提取的时序信息的维度，具体的大小是由卷积核的大小确定的

import torch

import torch.nn as nn

from torch import autograd

# kernel_size的第一维度表示每次处理的图像帧数，后面是卷积核的大小
m = nn.Conv3d(3, 3, (3, 7, 7), stride=1, padding=0)

input = autograd.Variable(torch.randn(1, 3, 7, 60, 40))

output = m(input)

print(output.size())

# 输出是 torch.Size([1, 3, 5, 54, 34])

输出：
torch.Size([1, 3, 5, 54, 34])

 从上面可以看出如果输入的大小是(1,3,7,h,w)、kernel的大小是(3,7,7)的时候，输出的大小是(1,3,5,h‘,w’)，关于卷积之后h‘和w’的计算取决于kernel的后两个维度，这个和二维卷积一致不再赘述，以下主要介绍一下如何得出5这个维度。

一个kernel可以同时对于时间维度上的多帧图像进行卷积，具体对几帧就是由kernel的第一个维度的参数来确定。

在本例中，输入的大小是(1,3,7,h,w)、kernel的大小是(3,7,7)的时候，就是同时对3帧进行处理，所以计算方法就是7-3+1=5，所以输出的大小是(1,3,5,h‘,w‘），从这个计算过程可以看出在默认情况下也就是在时间上的stride是1的时候，这种多帧的卷积是存在帧之间的重叠的。stride=1，padding = 0，所以h‘=60-7+1=54, w‘=40-7+1=34

dilation参数例子说明：

import torch
import torch.nn as nn
from torch import autograd

# kernel_size的第一维度表示每次处理的图像帧数，后面是卷积核大小
m = nn.Conv3d(3, 3, (3, 7, 7), stride=1, padding=0,dilation=2)

input = autograd.Variable(torch.randn(1, 3, 7, 60, 40))

output = m(input)

print(output.size())

输出：
torch.Size([1, 3, 3, 48, 28])

由于上例中dilation=2，因此原本的kernel_size = (3,7,7)，可以认为变成了（5,13,13)，因此输出D_out = 7-5+1=3，h‘=60-13+1=48, w‘=40-13+1=28