文档反馈

问题文档片段

问题文档片段包含公式时,显示为空格。

提交类型
issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型
规范和低错类

- 规范和低错类:

- 错别字或拼写错误,标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致,但不影响操作。

- 表述不通顺,但不影响理解。

- 版本号不匹配:如软件包名称、界面版本号。

易用性

- 易用性:

- 关键步骤错误或缺失,无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰,该分类、分项、分步骤的没有给出。

正确性

- 正确性:

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误,无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示:

- 对重要数据或系统存在风险的操作,缺少安全提示。

内容合规

- 内容合规:

- 违反法律法规,涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述,以帮助我们快速定位问题。

mindspore.ops.Conv3D

class mindspore.ops.Conv3D(out_channel, kernel_size, mode=1, pad_mode='valid', pad=0, stride=1, dilation=1, group=1, data_format='NCDHW')[源代码]

对输入Tensor计算三维卷积。通常,输入Tensor的shape为 (N,Cin,Din,Hin,Win) ,输出 shape为 (N,Cout,Dout,Hout,Wout) 。其中 N 为batch size,C 为通道数,D 为深度, H,W 分别为特征层的高度和宽度。 对于一个特征层,其输出结果由如下公式计算:

out(Ni,Coutj)=bias(Coutj)+k=0Cin1ccor(weight(Coutj,k),input(Ni,k))

其中,k 为卷积核数,ccorcross-correlationCin 为输入通道数, j 的范围从 0Cout1outj 对应输出的第 j 个通道。 weight(Coutj,k) 为卷积核的切片,其shape为 (kernel_size[0],kernel_size[1],kernel_size[2]) ,其中 kernel_size[0], kernel_size[1]kernel_size[2] 分别是卷积核的深度、高度和宽度。 bias 是偏置参数, X 是输入Tensor。 完整卷积核的shape为 (Cout,Cin/group,kernel_size[0],kernel_size[1],kernel_size[2]) ,其中 group 是在通道上分割输入 inputs 的组数。

详细内容请参考论文 Gradient Based Learning Applied to Document Recognition

如果指定 pad_mode 为 “valid”,则输出的深度、高度和宽度分别为 1+Din+2×paddingks_d(ks_d1)×(dilation1)stride1+Hin+2×paddingks_h(ks_h1)×(dilation1)stride 以及 1+Win+2×paddingks_w(ks_w1)×(dilation1)stride ,其中 dilation 为三维卷积核膨胀尺寸, stride 为移动步长, padding 为在输入两侧的填充长度。

说明

在Ascend平台上,目前只支持 group=1

参数:
  • out_channel (int) - 输出的通道数 Cout

  • kernel_size (Union[int, tuple[int]]) - 指定三维卷积核的深度、高度和宽度。可以为单个int或包含三个整数的Tuple。一个整数表示卷积核的深度、高度和宽度均为该值。包含三个整数的Tuple分别表示卷积核的深度、高度和宽度。

  • mode (int) - 指定不同的卷积模式。此值目前未被使用。默认值:1。

  • stride (Union[int, tuple[int]],可选) - 卷积核移动的步长,可以为单个int或三个int组成的tuple。一个int表示在深度、高度和宽度方向的移动步长均为该值。三个int组成的tuple分别表示在深度、高度和宽度方向的移动步长。默认值:1。

  • pad_mode (str,可选) - 指定填充模式。取值为”same”,”valid”,或”pad”。默认值:”valid”。

    • “same”: 输出的高度和宽度分别与输入整除 stride 后的值相同。填充将被均匀地添加到高和宽的两侧,剩余填充量将被添加到维度末端。若设置该模式, pad 的值必须为0。

    • “valid”: 在不填充的前提下返回有效计算所得的输出。不满足计算的多余像素会被丢弃。如果设置此模式,则 pad 的值必须为0。

    • “pad”: 对输入 input 进行填充。在输入的高度和宽度方向上填充 pad 大小的0。如果设置此模式, pad 必须大于或等于0。

  • pad (Union(int, tuple[int])) - 填充值。如果 pad 是一个整数,则前部、后部、顶部,底部,左边和右边的填充都等于 pad 。如果 pad 是6个整数的Tuple,则前部、后部、顶部、底部、左边和右边的填充分别等于填充 pad[0]pad[1]pad[2]pad[3]pad[4]pad[5] 。默认值:0。

  • dilation (Union[int, tuple[int]],可选) - 卷积核膨胀尺寸。数据类型为int或由3个int组成的tuple: (dilationd,dilationh,dilationw)。目前在Ascend后端,只支持该值为1。若 k>1 ,则卷积核间隔 k 个元素进行采样。前后、垂直和水平方向上,其取值范围分别为[1, D]、[1, H]和[1, W]。默认值:1。

  • group (int,可选) - 将过滤器拆分的组数, in_channelsout_channels 必须可被 group 整除。默认值:1。

  • data_format (str) - 支持的数据模式。目前仅支持”NCDHW”。

输入:
  • x (Tensor) - shape为 (N,Cin,Din,Hin,Win) 的Tensor。目前数据类型仅支持float16和float32。

  • weight (Tensor) - 若kernel shape为 (kd,Kh,Kw) ,则weight shape应为 (Cout,Cin/groups,kd,Kh,Kw) 。目前数据类型仅支持float16和float32。

  • bias (Tensor) - shape为 Cin 的Tensor。目前仅支持None。默认值:None。

输出:

Tensor,shape为 (N,Cout,Dout,Hout,Wout)

异常:
  • TypeError - out_channelgroup 不是int。

  • TypeError - kernel_sizestridepaddilation 既不是int也不是Tuple。

  • ValueError - out_channelkernel_sizestridedilation 小于1。

  • ValueError - pad 小于0。

  • ValueError - pad_mode 取值非”same”、”valid”或”pad”。

  • ValueError - pad 为长度不等于6的Tuple。

  • ValueError - pad_mode 未设定为”pad”且 pad 不等于(0, 0, 0, 0, 0, 0)。

  • ValueError - data_format 取值非”NCDHW”。

支持平台:

Ascend GPU CPU

样例:

>>> x = Tensor(np.ones([16, 3, 10, 32, 32]), mindspore.float16)
>>> weight = Tensor(np.ones([32, 3, 4, 3, 3]), mindspore.float16)
>>> conv3d = ops.Conv3D(out_channel=32, kernel_size=(4, 3, 3))
>>> output = conv3d(x, weight)
>>> print(output.shape)
(16, 32, 7, 30, 30)