torch.nn.functional.conv3d

torch.nn.functional.conv3d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1) → Tensor

Применяет 3D свёртку к входному изображению, состоящему из нескольких входных плоскостей.

Этот оператор поддерживает TensorFloat32.

Подробности и форма вывода см. в Conv3d.

Примечание

В некоторых случаях, когда заданы тензоры на устройстве CUDA и используется CuDNN, этот оператор может выбрать недетерминированный алгоритм для повышения производительности. Если это нежелательно, вы можете попытаться сделать операцию детерминированной (возможно, с потерей производительности) путём установки torch.backends.cudnn.deterministic = True. Дополнительная информация находится в Воспроизводимость.

Примечание

Этот оператор поддерживает комплексные типы данных, т.е. complex32, complex64, complex128.

Параметры:

• input – входной тензор формы $(\text{minibatch} , \text{in\_channels} , iT , iH , iW)$
• weight – фильтры формы $(\text{out\_channels} , \frac{\text{in\_channels}}{\text{groups}} , kT , kH , kW)$
• bias – необязательный тензор смещения формы $(\text{out\_channels})$. По умолчанию: None
• stride – шаг свёртки ядра. Может быть одним числом или кортежем (sT, sH, sW). По умолчанию: 1

• padding –

  явные добавления на обе стороны входного тензора. Может быть строкой {‘valid’, ‘same’}, одним числом или кортежем (padT, padH, padW). По умолчанию: 0 padding='valid' эквивалентно отсутствию добавления. padding='same' добавляет входные значения, чтобы выходной тензор имел ту же форму, что и входной. Однако этот режим не поддерживает никакие значения strides отличные от 1.

  Предупреждение

  Для padding='same', если weight имеет чётную длину и dilation нечётную в любом измерении, может потребоваться полная операция pad(). Это снижает производительность.

• dilation – расстояние между элементами ядра. Может быть одним числом или кортежем (dT, dH, dW). По умолчанию: 1
• groups – разделить вход на группы, $\text{in\_channels}$ должно быть делимо на количество групп. По умолчанию: 1

Примеры:

>>> filters = torch.randn(33, 16, 3, 3, 3)
>>> inputs = torch.randn(20, 16, 50, 10, 20)
>>> F.conv3d(inputs, filters)