# conv3d¶

paddle.static.nn. conv3d ( input, num_filters, filter_size, stride=1, padding=0, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, name=None, data_format='NCDHW' ) [源代码]

$Out = \sigma \left ( W * X + b \right )$

• $$X$$：输入值，NCDHW 或 NDHWC 格式的 5-D Tensor；

• $$W$$：滤波器值，MCDHW 格式的 5-D Tensor；

• $$*$$：卷积操作；

• $$b$$：偏置值，2-D Tensor，形为 [M,1]

• $$\sigma$$：激活函数；

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

• 输入：

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

滤波器形状：$$(C_{out}, C_{in}, D_f, H_f, W_f)$$

• 输出：

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

\begin{align}\begin{aligned}D_{out} &= \frac{\left ( D_{in} + padding\_depth\_front + padding\_depth\_back-\left ( dilation[0]*\left ( D_{f}-1 \right )+1 \right ) \right )}{stride[0]}+1\\H_{out} &= \frac{\left ( H_{in} + padding\_height\_top + padding\_height\_bottom-\left ( dilation[1]*\left ( H_{f}-1 \right )+1 \right ) \right )}{stride[1]}+1\\W_{out} &= \frac{\left ( W_{in} + padding\_width\_left + padding\_width\_right -\left ( dilation[2]*\left ( W_{f}-1 \right )+1 \right ) \right )}{stride[2]}+1\end{aligned}\end{align}

\begin{align}\begin{aligned}D_{out} = \frac{(D_{in} + stride[0] - 1)}{stride[0]}\\H_{out} = \frac{(H_{in} + stride[1] - 1)}{stride[1]}\\W_{out} = \frac{(W_{in} + stride[2] - 1)}{stride[2]}\end{aligned}\end{align}

\begin{align}\begin{aligned}D_{out} = \frac{\left ( D_{in} -\left ( dilation[0]*\left ( D_{f}-1 \right )+1 \right ) \right )}{stride[0]}+1\\H_{out} = \frac{\left ( H_{in} -\left ( dilation[1]*\left ( H_{f}-1 \right )+1 \right ) \right )}{stride[1]}+1\\W_{out} = \frac{\left ( W_{in} -\left ( dilation[2]*\left ( W_{f}-1 \right )+1 \right ) \right )}{stride[2]}+1\end{aligned}\end{align}

## 参数¶

• input (Tensor) - 形状为 $$[N, C, D, H, W]$$$$[N, D, H, W, C]$$ 的 5-D Tensor，N 是批尺寸，C 是通道数，D 是特征深度，H 是特征高度，W 是特征宽度，数据类型为 float16, float32 或 float64。

• num_fliters (int) - 滤波器（卷积核）的个数。和输出图像通道相同。

• filter_size (int|list|tuple) - 滤波器大小。如果它是一个列表或元组，则必须包含三个整数值：（filter_size_depth, filter_size_height，filter_size_width）。若为一个整数，则 filter_size_depth = filter_size_height = filter_size_width = filter_size。

• stride (int|list|tuple，可选) - 步长大小。滤波器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]]；

• dilation (int|list|tuple，可选) - 膨胀比例大小。空洞卷积时会使用该参数，滤波器对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。如果膨胀比例为列表或元组，则必须包含三个整型数：（dilation_depth, dilation_height,dilation_width）。若为一个整数，dilation_depth = dilation_height = dilation_width = dilation。默认值：1。

• groups (int，可选) - 三维卷积层的组数。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，输入和滤波器分别根据通道数量平均分为 n 组，第一组滤波器和第一组输入进行卷积计算，第二组滤波器和第二组输入进行卷积计算，……，第 n 组滤波器和第 n 组输入进行卷积计算。默认值：1。

• param_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

• use_cudnn （bool，可选）- 是否使用 cudnn 内核。只有已安装 cudnn 库时才有效。默认值：True。

• act (str，可选) - 激活函数类型，如 tanh、softmax、sigmoid，relu 等，支持列表请参考 激活函数。如果设为 None，则未添加激活函数。默认值：None。

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

• 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 是特征深度，H 是特征高度，W 是特征宽度。默认值："NCDHW"。

## 返回¶

5-D Tensor，数据类型与 input 一致。如果未指定激活层，则返回卷积计算的结果，如果指定激活层，则返回卷积和激活计算之后的最终结果。

## 代码示例¶

>>> import paddle
>>> import numpy as np

>>> np.random.seed(1107)