Класс Conv3d

Класс Conv3d применяет трёхмерную свёртку к входным данным. Первый параметр in_channels задаёт количество входных каналов, второй out_channels - количество выходных каналов (фильтров), третий kernel_size - размер ядра свёртки. Дополнительно можно задать шаг свёртки stride, отступы padding и другие параметры.

Синтаксис

torch.nn.Conv3d(
	in_channels,
	out_channels,
	kernel_size,
	stride=1,
	padding=0,
	dilation=1,
	groups=1,
	bias=True,
	padding_mode='zeros',
	device=None,
	dtype=None
)

Пример

Давайте создадим простой трёхмерный свёрточный слой для обработки объёмных данных размером 16x16x16:

import torch

# Создаём слой Conv3d
conv = torch.nn.Conv3d(
	in_channels=1,
	out_channels=8,
	kernel_size=3,
	stride=1,
	padding=1
)

# Создаём случайный входной тензор
t = torch.randn(1, 1, 16, 16, 16)
res = conv(t)
print(res.shape)

Результат выполнения кода:

torch.Size([1, 8, 16, 16, 16])

Пример

Теперь создадим слой с шагом 2 и без отступов для уменьшения пространственных размерностей:

import torch

conv = torch.nn.Conv3d(
	in_channels=3,
	out_channels=16,
	kernel_size=3,
	stride=2,
	padding=0
)

t = torch.randn(4, 3, 32, 32, 32)
res = conv(t)
print(res.shape)

Результат выполнения кода:

torch.Size([4, 16, 15, 15, 15])

Пример

Давайте используем слой с отступами для сохранения размерности при ядре нечётного размера:

import torch

conv = torch.nn.Conv3d(
	in_channels=1,
	out_channels=4,
	kernel_size=3,
	stride=1,
	padding=1
)

t = torch.randn(2, 1, 8, 8, 8)
res = conv(t)
print(res.shape)

Результат выполнения кода:

torch.Size([2, 4, 8, 8, 8])

Пример

Рассмотрим слой с расширением (dilation) для увеличения области восприятия без увеличения числа параметров:

import torch

conv = torch.nn.Conv3d(
	in_channels=3,
	out_channels=8,
	kernel_size=3,
	dilation=2,
	padding=2
)

t = torch.randn(1, 3, 20, 20, 20)
res = conv(t)
print(res.shape)

Результат выполнения кода:

torch.Size([1, 8, 20, 20, 20])

Пример

Создадим свёрточный слой с групповой свёрткой для разделения каналов на независимые группы:

import torch

conv = torch.nn.Conv3d(
	in_channels=6,
	out_channels=6,
	kernel_size=3,
	padding=1,
	groups=3
)

t = torch.randn(2, 6, 10, 10, 10)
res = conv(t)
print(res.shape)

Результат выполнения кода:

torch.Size([2, 6, 10, 10, 10])

Смотрите также

класс Conv2d,
который применяет двумерную свёртку для обработки изображений
класс Conv1d,
который применяет одномерную свёртку для обработки последовательностей
класс MaxPool3d,
который выполняет трёхмерную операцию пулинга для уменьшения размерности
класс AvgPool3d,
который выполняет трёхмерное усреднение для субдискретизации