前言
需要用到3DCNN，于是找到了torch.nn.conv3d，网上太多人写参数解读，但没什么人能讲得清楚的，于是我边理解边写代码验证，得到了我想要的结果。
实例
用3DCNN的开篇之作来当作例子解读一下这个函数的参数，首先来看一下它的网络结构图，网上有很多人解读这篇文章，我就不细说了，这个网络中全是重复的3D卷积 → 池化操作，池化的操作和2D卷积没有区别，所以就讲3D卷积，拿下图红框中的来举例。
image.png
- 输入形状是（7，60，40），7表示输入的图像帧数，60和40分别是宽和高。
- 过滤器形状是（7，7，3），3表示每次过滤器处理的图像帧数，7和7分别是卷积核宽和高。
- 输出形状是（5，54，34），5表示输出的图像帧数，54和34分别是宽和高。
注意：
1 这里的图像帧数并不是通道数，图像帧数就是图片数，而每张图片（RGB图像）又是有3个通道的。
2 如果对卷积核和过滤器的定义有疑问的，看参考文献[2]（文中有卷积核和过滤器的概念）。
代码
import torch
import torch.nn as nn
from torch import autograd
# kernel_size的第哥一维度的值是每次处理的图像帧数，后面是卷积核的大小
m = nn.Conv3d(3, 3, (3, 7, 7), stride=1, padding=0)
input = autograd.Variable(torch.randn(1, 3, 7, 60, 40))
output = m(input)
print(output.size())
# 输出是 torch.Size([1, 3, 5, 54, 34])
首先明确一件事：假设矩阵的形状是（a，b，c），那么从右往左分别对应的是列、行、三维值。例如矩阵的形状是（4，3，6），意思是这是个三维矩阵，其中有4个二维矩阵，二维矩阵的形状是3 x 6。或者矩阵的形状是（5，4，7，3），意思是这是个四维矩阵，其中有5个三维矩阵，每个三维矩阵中有4个二维矩阵，二维矩阵的形状是7 x 3。而且形状中位置从左往右对应的是维度从高到低。
看一下中文文档
class torch.nn.Conv3d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
in_channels(int) – 输入信号的通道，就是输入中每帧图像的通道数
out_channels(int) – 卷积产生的通道，就是输出中每帧图像的通道数
kernel_size(int or tuple) - 过滤器的尺寸，假设为(a,b,c)，表示的是过滤器每次处理 a 帧图像，该图像的大小是b x c。
stride(int or tuple, optional) - 卷积步长，形状是三维的，假设为(x,y,z)，表示的是三维上的步长是x，在行方向上步长是y，在列方向上步长是z。
padding(int or tuple, optional) - 输入的每一条边补充0的层数，形状是三维的，假设是(l,m,n)，表示的是在输入的三维方向前后分别padding l 个全零二维矩阵，在输入的行方向上下分别padding m 个全零行向量，在输入的列方向左右分别padding n 个全零列向量。
dilation(int or tuple, optional) – 卷积核元素之间的间距，这个看看空洞卷积就okay了
groups(int, optional) – 从输入通道到输出通道的阻塞连接数；没用到，没细看
bias(bool, optional) - 如果bias=True，添加偏置；没用到，没细看
image.png
再回过头来看代码
- （1，3，7，60，40）表示输入1个视频，每个视频中图像的通道数是3，每个视频中包含的图像数是7，图像的大小是60 x 40。
- （3，3，（3，7，7））表示的是输入图像的通道数是3，输出图像的通道数是3，（3，7，7）表示过滤器每次处理3帧图像，卷积核的大小是7 x 7。
- stride=1 表示stride=（1，1，1），在三维方向上步长是1，在宽和高上步长也是1。
- padding=0 表示padding=（0，0，0）表示在三维方向上不padding，在宽和高上也不padding。
总结
其实3DCNN和2DCNN的区别最大区别就是3DCNN每次可以融合多个图像的特征，而2DCNN只能融合一个图像的特征，理解3DCNN中同时处理多帧图像的时候可以类比2DCNN中同时处理多个通道。
参考文献
[1] pytorch中文文档
[2] 万字长文带你看尽深度学习中的各种卷积网络
