conv2d¶

paddle.sparse.nn.functional. conv2d ( x, weight, bias=None, stride=1, padding=0, dilation=1, groups=1, data_format='NHWC', name=None ) [源代码] ¶

稀疏二维卷积层（sparse convolution2d），根据输入、卷积核、步长（stride）、填充（padding）、空洞大小（dilations）、组参数（groups）计算得到输出特征。输入（Input）和输出（Output）是形状为[N,H,W,C]的多维稀疏坐标格式张量（SparseCooTensors）。其中 N 是批尺寸，H 是特征的高度，W 是特征层宽度，C 是通道数。如果 bias_attr 不为 False，卷积计算会添加偏置项。

对于每个输入 X，计算公式为：

\[Out = \sigma (W \ast X + b)\]

其中：

\(X\) ：输入值，NHWC 格式的 Tensor

\(W\) ：卷积核值，HWCM 格式的 Tensor

\(*\) ：卷积操作

\(b\) ：偏置值，1-D Tensor，形为 [M]

\(Out\) ：输出值， Out 和 X 的形状可能不同。

参数¶

x (Tensor) - 输入是形状为 [N, H, W, C] 的 4-D SparseCooTensor，输入的数据类型是 float16 或 float32 或 float64。

weight (Tensor) - 卷积核，形状为 [kH, kW, C/g, M] 的张量，其中 M 是滤波器数（输出通道数），g 是分组数，kD、kH、kW 分别是滤波器的高度和宽度。

bias (Tensor，可选) - 偏置，形状为 [M] 的张量。

stride (int|list|tuple，可选) - 步长大小。指的是卷积中的步长。如果步长是列表/元组，则必须包含两个整数（stride_height, stride_width）。否则，stride_height = stride_width = stride。默认：stride = 1。

padding (string|int|list|tuple，可选) - 填充大小。指的是每个维度两边的零填充数量。如果 padding 是字符串，可以是 'VALID' 或 'SAME'，这是填充算法。如果填充大小是元组或列表，可以是以下三种形式：[pad_height, pad_width] 或 [pad_height_top, pad_height_bottom, pad_width_left, pad_width_right]。当 data_format 为 "NHWC" 时，padding 可以是 [[0,0], [pad_height_top, pad_height_bottom], [pad_width_left, pad_width_right], [0,0]] 的形式。默认：padding = 0。

dilation (int|list|tuple，可选) - 空洞大小。空洞卷积时会使用该参数，卷积核对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。如果空洞大小是列表或元组，则必须包含两个整数（dilation_height, dilation_width）。否则，dilation_height = dilation_width = dilation。默认：dilation = 1。

groups (int，可选) - 二维卷积层的组数。根据 Alex Krizhevsky 的深度卷积神经网络（CNN）论文中的成组卷积：当 group=2 时，滤波器的前半部分只与输入通道的前半部分相连，而滤波器的后半部分只与输入通道的后半部分相连。默认：groups=1。目前，仅支持 groups=1。

data_format (str，可选) - 指定输入的数据格式，输出的数据格式将与输入的一致。可选字符串："NHWC"。默认为 "NHWC"。当为 "NHWC" 时，数据按以下顺序存储：[batch_size, input_height, input_width, input_channels]。

name (str，可选) - 具体用法请参阅 Name。通常无需设置名称，默认为 None。

返回¶

表示 conv2d 的 SparseCooTensor，其数据类型与输入相同。

返回类型¶

Tensor。

代码示例¶

          >>> import paddle

>>> indices = [[0, 0, 0, 0], [0, 0, 1, 2], [1, 3, 2, 3]]
>>> values = [[1], [2], [3], [4]]
>>> indices = paddle.to_tensor(indices, dtype='int32')
>>> values = paddle.to_tensor(values, dtype='float32')
>>> dense_shape = [1, 3, 4, 1]
>>> sparse_x = paddle.sparse.sparse_coo_tensor(indices, values, dense_shape, stop_gradient=True)
>>> weight = paddle.randn((3, 3, 1, 1), dtype='float32')
>>> y = paddle.sparse.nn.functional.conv2d(sparse_x, weight)
>>> print(y.shape)
[1, 1, 2, 1]

         