nn.Conv3d 是 PyTorch 中实现三维卷积操作的类。
1.维度说明
其输入和输出的维度如下：
输入维度：
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)。
输出维度：
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。
2. 使用说明
nn.Conv3d 函数的参数如下：
-
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。扫描二维码关注公众号，回复： 16181633 查看本文章
-
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。
示例：
# 创建一个 nn.Conv3d 层，输入通道数为3，输出通道数为6，卷积核大小为4，步长为2，零填充大小为1
conv3d = nn.Conv3d(in_channels=3, out_channels=6, kernel_size=4, stride=2, padding=1)