subm_conv3d

paddle.sparse.nn.functional. subm_conv3d ( x, weight, bias=None, stride=1, padding=0, dilation=1, groups=1, data_format='NDHWC', key=None, name=None ) [源代码]

子流形稀疏三维卷积层（convolution3D layer），根据输入、卷积核、步长（stride）、填充（padding）、空洞大小（dilations）一组参数计算得到输出特征层大小。输入和输出是 NCDHW 或 NDHWC 格式，其中 N 是批尺寸，C 是通道数，D 是特征层深度，H 是特征层高度，W 是特征层宽度。如果 bias_attr 不为 False，卷积计算会添加偏置项。

对每个输入 X，有等式：

\[Out = W * X + b\]

其中：

  • \(X\) ：输入值，NCDHW 或 NDHWC 格式的 5-D Tensor

  • \(W\) ：卷积核值，MCDHW 格式的 5-D Tensor

  • \(*\) ：卷积操作

  • \(b\) ：偏置值，1-D Tensor，形为 [M]

  • \(Out\) ：输出值，NCDHW 或 NDHWC 格式的 5-D Tensor，和 X 的形状可能不同

示例

  • 输入：

    输入形状：\((N, D_{in}, H_{in}, W_{in}, C_{in})\)

    卷积核形状：\((D_f, H_f, W_f, C_{in}, C_{out})\)

  • 输出：

    输出形状：\((N, D_{out}, H_{out}, W_{out}, C_{out})\)

参数

  • x (Tensor) - 输入是形状为 \([N, D, H, W, C]\) 的 5-D SparseCooTensor，N 是批尺寸，C 是通道数，D 是特征层深度，H 是特征高度，W 是特征宽度，数据类型为 float16, float32 或 float64。

  • weight (Tensor) - 形状为 \([kD, kH, kW, C/g, M]\) 的卷积核（卷积核）。 M 是输出通道数，g 是分组的个数，kH 是卷积核的高度，kW 是卷积核的宽度。

  • bias (Tensor，可选) - 偏置项，形状为：\([M]\) 。

  • stride (int|list|tuple，可选) - 步长大小。卷积核和输入进行卷积计算时滑动的步长。如果它是一个列表或元组，则必须包含三个整型数：（stride_depth, stride_height,stride_width）。若为一个整数，stride_depth = stride_height = stride_width = stride。默认值：1。

  • padding (int|list|tuple|str，可选) - 填充大小。如果它是一个字符串，可以是"VALID"或者"SAME"，表示填充算法，计算细节可参考上述 padding = "SAME"或 padding = "VALID" 时的计算公式。如果它是一个元组或列表，它可以有 3 种格式：(1)包含 5 个二元组：当 data_format 为"NCDHW"时为 [[0,0], [0,0], [padding_depth_front, padding_depth_back], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right]]，当 data_format 为"NDHWC"时为[[0,0], [padding_depth_front, padding_depth_back], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right], [0,0]]；(2)包含 6 个整数值：[padding_depth_front, padding_depth_back, padding_height_top, padding_height_bottom, padding_width_left, padding_width_right]；(3)包含 3 个整数值：[padding_depth, padding_height, padding_width]，此时 padding_depth_front = padding_depth_back = padding_depth, padding_height_top = padding_height_bottom = padding_height, padding_width_left = padding_width_right = padding_width。若为一个整数，padding_depth = padding_height = padding_width = padding。默认值：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。如果空洞大小为列表或元组，则必须包含两个整型数：（dilation_height,dilation_width）。若为一个整数，dilation_height = dilation_width = dilation。默认值：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=n，输入和卷积核分别根据通道数量平均分为 n 组，第一组卷积核和第一组输入进行卷积计算，第二组卷积核和第二组输入进行卷积计算，……，第 n 组卷积核和第 n 组输入进行卷积计算。默认值：1。

  • weight_attr (ParamAttr，可选) - 指定权重参数属性的对象。默认值为 None，表示使用默认的权重参数属性。具体用法请参见 ParamAttr。

  • bias_attr (ParamAttr|bool，可选) - 指定偏置参数属性的对象。若 bias_attr 为 bool 类型，只支持为 False，表示没有偏置参数。默认值为 None，表示使用默认的偏置参数属性。具体用法请参见 ParamAttr。

  • 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保持一致，可以是"NCDHW"和"NDHWC"。N 是批尺寸，C 是通道数，D 是特征层深度，H 是特征高度，W 是特征宽度。默认值："NCDHW"。

  • key (str，可选) - 用来保存和使用相同 rulebook 。

  • name (str，可选) - 具体用法请参见 Name ，一般无需设置，默认值为 None 。

返回

5-D Tensor，数据类型与 input 一致。返回卷积计算的结果。

返回类型

Tensor。

代码示例

>>> import paddle

>>> indices = [[0, 0, 0, 0], [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, 1, 3, 4, 1]
>>> sparse_x = paddle.sparse.sparse_coo_tensor(indices, values, dense_shape, stop_gradient=True)
>>> weight = paddle.randn((1, 3, 3, 1, 1), dtype='float32')
>>> y = paddle.sparse.nn.functional.subm_conv3d(sparse_x, weight)
>>> print(y.shape)
[1, 1, 3, 4, 1]