我想了解 PyTorch 中 conv2d 和 conv3d 的区别。
有什么区别：
conv3d(in, out, kernel_size(1,3,3))
和
conv2d(in,out,kernel_size(3,3))
我查了官方documentation，但我不太明白两者之间的区别。在这种情况下，conv3d 是否应该与 conv2d 相同，因为深度为 1？任何帮助将不胜感激。
【问题讨论】：
标签： machine-learning deep-learning computer-vision pytorch
为了直观地理解内核的工作原理，我建议查看单个特征层的细胞（又名神经元）是如何获得的。
对于 2D 卷积，您有内核层 (KL) 的高度和宽度，它从 2D 卷积层 (CL) 跨越单个特征层 (FL)。因为一个 CL 可以有多个 FL，然后并行创建多个 KL 并放置在不同的 FL 上，因此它可以并行处理它们。这种并行处理通常表示为 KL 的“堆叠”结构，通常仅命名为 Kernel。不仅这种复数结构中“内核”这个名称的奇异性会导致混淆，而且 KL 的并行处理通常被说明为 KL 的堆叠，从而产生深度维度的错觉。 记住这一点很重要：这不是三维，这只是 KLs-FL 的并行处理。
对于 3D 卷积，您现在需要 3D KL 来处理 3D FL。现在这是一个真正的三维。将“堆叠”的 3D KL 的数量将自动调整，以便它可以并行处理来自您网络的多个 3D FL。
关于您的问题： 实际上，深度为 1 的 3D 内核与 2D 内核相同，但是针对不同情况构建的函数不同。也就是说，二维（高、宽）的图像是 2D，而三维（高、宽、深）的图像是 3D。
【讨论】：
在某些特定情况下，它们可以产生相同的结果。
以conv1d 和conv2d 为例：在conv1d 中使用(1, n)，当内核到达末尾时，您将通过一维输入（即w>0 和h=1）其结果已准备就绪。但是在 con2d 上，它是您正在处理的 2D 输入（即 w>0 和 h>0），它将转到下一行，直到达到底线。所以它的结果也是一个二维对象。
层增加了输入/输出的深度，您可以有多个in 层，这将决定每个内核的层数，而out 层则决定内核的数量。
如果我的观察是正确的，我们可以说通过 conv3d (1x3x3) 内核的单层 d*h*w 张量与通过 d 分层的 h*w 张量相同conv2d 与 d、d-分层 3x3 内核。输出形状将是 (N, 1, d, h, w) 与 (N, d, h, w)（其中 d 用作后者中的通道数）。
在某些情况下，您可以获得相同的结果（操作）。但是，当为您的 conv3d 添加深度时（层可以作为第 4 维工作），您将无法将其与 conv2d 相匹配，顾名思义！
【讨论】：