conv3d

    该OP是三维卷积层（convolution3D layer），根据输入、滤波器、步长（stride）、填充（padding）、膨胀比例（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。如果指定了激活函数类型，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：

    其中：

    • conv3d - 图1

      ：输入值，NCDHW或NDHWC格式的5-D Tensor

    • ：滤波器值，MCDHW格式的5-D Tensor

    • conv3d - 图2

      ：卷积操作

    • ：偏置值，2-D Tensor，形为 [M,1]

    • conv3d - 图3

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

    示例

    • 输出：

      输出形状： (N,Cout,Dout,Hout,Wout)

    其中

    DoutHoutWout\=(Din+padding_depth_front+padding_depth_back−(dilation[0]∗(Df−1)+1))stride[0]+1\=(Hin+padding_height_top+padding_height_bottom−(dilation[1]∗(Hf−1)+1))stride[1]+1\=(Win+padding_width_left+padding_width_right−(dilation[2]∗(Wf−1)+1))stride[2]+1

    如果 = “SAME”:

    如果 padding = “VALID”:

    • input (Tensor) - 形状为 或 的5-D Tensor，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，数据类型为float16, float32或float64。

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

    • filter_size (int|list|tuple) - 滤波器大小。如果它是一个列表或元组，则必须包含三个整数值：（filter_size_depth, filter_size_height，filter_size_width）。若为一个整数，则filter_size_depth = filter_size_height = filter_size_width = filter_size。

    • stride (int|list|tuple，可选) - 步长大小。滤波器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，则必须包含三个整型数：（stride_depth, stride_height, stride_width）。若为一个整数，stride_depth = 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 = “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。

    • groups (int，可选) - 三维卷积层的组数。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，输入和滤波器分别根据通道数量平均分为n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，……，第n组滤波器和第n组输入进行卷积计算。默认值：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 。

    • bias_attr （ParamAttr|bool，可选）- 指定偏置参数属性的对象。若 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 。

    • use_cudnn （bool，可选）- 是否使用cudnn内核。只有已安装cudnn库时才有效。默认值：True。

    • act (str，可选) - 激活函数类型， 如tanh、softmax、sigmoid，relu等，支持列表请参考 。如果设为None，则未添加激活函数。默认值：None。

    • 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。

    代码示例：