3D 池化（MaxPool3D）和 3D（Conv3d）卷积详解

冷不防 2022-09-11 02:25 895阅读 0赞

# 3D 池化（MaxPool3D） 和 3D（Conv3d） 卷积详解 #

池化和卷积的过程是类似的，只是池化没有权重，相比起来更容易说明计算的过程。这里从 3D 池化开始详细接受 MaxPool3D 和 Conv3d 的过程，并尝试通过 2D 和 1D 的池化来实现 3D 池化的过程。

3D （池化或者卷积）相比 2D 增加了一个维度，但是大致过程依然和 2D 类似，所以在看 3D 之前应该确保已经清楚 2D 的过程了，如果对 2D 不熟悉的朋友，可以参考 [动图详细讲解 LeNet-5 网络结构][LeNet-5]，里面有动图演示。

3D 操作在视频处理中比较常见。通常模型的输入尺寸为 \[N, C, H, W\]，在视频中通常会加入时间维度也就是输入多帧图像，输入尺寸为 \[N, C, F, H, W\]，其中 F 为 帧数。

## 1. 3D 池化（MaxPool3D） ##

下面是调用 pytorch 中的 MaxPool3d，具体的 API 可以参考官方文档： [torch.nn.MaxPool3d][]。

maxpool = torch.nn.MaxPool3d(kernel_size=(2, 2, 2), stride=(2, 2, 2), padding=(1, 0, 0))

参数也都是三维的，分别对应 F, H, W。相比 2D 就是多了 F 维。这里重点关注第 0 维（也就是 F）的意义。

*  kernel\_size

F 维的 kernel\_size 为 2，说明在 F 维的覆盖的 frame 数为 2，也就是每次有 2 个 frame 加入运算。

*  stride

F 维的 stride 为 2，说明每次的跨度为 2。

*  padding

F 维的 padding 为 1，说明需要在 F 维做 padding，也就是会在输入的输入之前和之后各做 1 个 frame 的padding。

比如对于上面的 maxpool 的输入为 \[1, 2, 3, 4, 4\]。如下所示。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAa3V3ZWljYWk_size_14_color_FFFFFF_t_70_g_se_x_16_pic_center]

3D pooling 的计算过程如下。Frame0 和 Frame4 是填充的 frame。kernel 每次覆盖两个 frames。对应图中的结果应该是 6。依次遍历，直到 Frame 0 和 1 遍历完成。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAa3V3ZWljYWk_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]

由于 stride 为 2，所以当 Frame 0 和 1 遍历完成后，跳到 Frame 2 和 3。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAa3V3ZWljYWk_size_19_color_FFFFFF_t_70_g_se_x_16_pic_center]

最后的计算结果如下。

tensor([[[[[ 1.,  3.,  4.],
               [ 9., 11., 12.],
               [13., 15., 16.]],
    
              [[33., 35., 36.],
               [41., 43., 44.],
               [45., 47., 48.]]],
    
    
             [[[49., 51., 52.],
               [57., 59., 60.],
               [61., 63., 64.]],
    
              [[81., 83., 84.],
               [89., 91., 92.],
               [93., 95., 96.]]]]])

结合上面的计算过程，利用 MaxPool2d 和 MaxPool1d 实现 MaxPool3d 的功能。代码如下。

# input 4D: n*f c h w, n == 1
    class my_pool3d(torch.nn.Module):
          def __init__(self,kernel_size, stride, padding=(0, 0, 0)):
              super(my_pool3d, self).__init__()
              self.kernel_size = kernel_size
              self.stride = stride
              self.padding = padding
              self.max_pool_2d = torch.nn.MaxPool2d(kernel_size[1:], self.stride[1:], padding[1:])
              self.max_pool_1d = torch.nn.MaxPool1d(kernel_size=kernel_size[0])     # stride is kernal_size
    
          def get_size(self, input_size):
              # out_d0 = int((input_size[0] + 2 * self.padding[0] - self.kernel_size[0])/self.stride[0]) + 1
              out_d1 = input_size[1]
              out_d2 = int((input_size[2] + 2 * self.padding[2] - self.kernel_size[2])/self.stride[2]) + 1
              out_d3 = int((input_size[-1] + 2 * self.padding[-1] - self.kernel_size[-1])/self.stride[-1]) + 1
              return (-1, out_d1, out_d2, out_d3)
    
          def forward(self, x):
              input_size = x.shape  #
              out_size = self.get_size(input_size)
    
              if self.padding[0]:
                  padding = torch.zeros((1, input_size[1], input_size[2], input_size[3]))
                  for _ in range(self.padding[0]):
                    x = torch.cat((padding, x), dim=0)
                    x = torch.cat((x, padding), dim=0)
    
              f = int(x.shape[0]// self.stride[0]) * self.stride[0]
    
              x = x[:f, :, :, :]
              x = self.max_pool_2d(x)   # 2d max pool
              x = x.transpose(1, 0)     # c n h w
              x = x.reshape(x.shape[0], x.shape[1], -1)     # reshape to [c n h*w]
              x = x.permute(0, 2, 1)    # cn(h*w) -> c(h*w)n
              x = self.max_pool_1d(x)   # 1d max pool
              x = x.transpose(2, 1)     # c(h*w)n -> cn(h*w)
              x = x.reshape(out_size)   # reshape to out_size
              return x
    
    
    # size: list
    def gen_data(size):
        total = reduce(mul, size)
        tensor = torch.arange(1, total + 1, step=1)
        return tensor.reshape(size).float()
    
    
    if __name__ == '__main__':
        input_size = (1, 2, 3, 4, 4)    # n c f h w
        input = gen_data(input_size)
    
        model = torch.nn.MaxPool3d(kernel_size=(2, 2, 2), stride=(2, 2, 2), padding=(1, 0, 0))
        
        # release below code to run my_pool3d
        # input = input.squeeze(0).transpose(1, 0)  # n c f h w -> f c h w
        # model = my_pool3d((2, 2, 2), (2, 2, 2), padding=(1, 1, 1))
        # export_onnx(model)
    
        print(input)
        output = model(input)
        print(output)
        print('\noutput shape: ', output.shape)
        pass

## 2. Conv3d ##

相比 MaxPool3D， Conv3d 的计算过程是一样的，唯一的区别在于 Conv3d 有权重，如果要改写的话，需要注意将原来的权重重新分配到 Conv2d 和 Conv1d 中，这里不再赘述。

[LeNet-5]: https://blog.csdn.net/kuweicai/article/details/93359992
[torch.nn.MaxPool3d]: https://pytorch.org/docs/stable/generated/torch.nn.MaxPool3d.html?highlight=maxpool#torch.nn.MaxPool3d
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAa3V3ZWljYWk_size_14_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220828/1e3fe57d125e4b6e982aa6425b6f5cf0.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAa3V3ZWljYWk_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220828/e9cf82545e264cbd800ea629c188f0a0.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBAa3V3ZWljYWk_size_19_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220828/316909ec82d04553b7359fd585dd7163.png