在Conv3D中，内核按3个维度滑动，如下所示。让我们再考虑一下哪种数据类型需要内核在3维上移动？
内核在3D数据上滑动
Conv3D主要用于3D图像数据。例如磁共振成像（MRI）数据。MRI数据被广泛用于检查大脑，脊髓，内部器官等。甲计算机断层扫描（CT）扫描也是三维数据，这是通过组合从身体周围的不同角度拍摄的一系列X射线图像的创建的一个例子。我们可以使用Conv3D对该医学数据进行分类或从中提取特征。
CT扫描和MRI的3D图像的横截面
import keras
from keras.layers import Conv3D
model = keras.models.Sequential()
model.add(Conv3D(1, kernel_size=(3,3,3), input_shape = (128, 128, 128, 3)))
model.summary()
这里参数Input_shape（128，128，128，3）有4个维度。3D图像是4维数据，其中第四维代表颜色通道的数量。就像平面2D图像具有3维一样，其中3维代表色彩通道。参数kernel_size（3,3,3）表示内核的（高度，宽度，深度），并且内核的第4维与颜色通道相同。
- 在1D CNN中，内核沿1个方向移动。1D CNN的输入和输出数据是2维的。主要用于时间序列数据。
- 在2D CNN中，内核沿2个方向移动。2D CNN的输入和输出数据是3维的。主要用于图像数据。
- 在3D CNN中，内核在3个方向上移动。3D CNN的输入和输出数据是4维的。通常用于3D 图像数据（MRI，CT扫描）。
目录引言二维CNN | Conv2D一维CNN | Conv1D3维CNN | Conv3D摘要引言当我们说卷积神经网络（CNN）时，通常是指用于图像分类的二维CNN。但是，现实世界中还使用了其他两种类型的卷积神经网络，即一维CNN和3维CNN。在本指南中，我们将介绍1D和3D CNN及其在现实世界中的应用。我假设您已经大体上熟悉卷积网络的概念。二维CNN | Conv2D在Lenet-5架构中首次引入的标准卷积神经网络，其Conv2D通常用于图像数据。之所以称其为2维CNN，是因为内核在数据上沿2
地址：https://www.cnblogs.com/LXP-Never/p/10763804.html
在看这两个函数之前，我们需要先了解一维卷积(conv1d)和二维卷积(conv2d)，二维卷积是将一个特征图在width和height两个方向进行滑动窗口操作，对应位置进行相乘求和；而一维卷积则只是在width或者height方向上进行滑动窗口并相乘求和。
一维卷积：...
1维卷积，核沿1个方向移动。一维CNN的输入和输出数据是二维的。主要用于时间序列数据。
2维卷积，核沿2个方向移动。二维CNN的输入输出数据是三维的。主要用于图像数据。
3维卷积，核沿三个方向移动。三维CNN的输入输出数据是4维的。主要用于3D图像数据（MRI，CT扫描）。
卷积神经网络
1、padding
在卷积操作中，过滤器（核）的大小通常为奇数 3x3，5x5。好处有两点：
在特征图（二维卷积）中存在一个中心像素点。有一个中
文章目录1d/2d/3d卷积卷积-nn.Conv2d()尺寸计算转置卷积-nn.ConvTransposenn.ConvTranspose代码尺寸计算
1d/2d/3d卷积
卷积运算：卷积核在输入信号（图像）上滑动，相应位置上进行乘加
卷积核：又称为滤波器，过滤器，可认为是某种模式，某种特征。
卷积过程类似于用一个模版去图像上
寻找与它相似的区域，与卷积核模式
越相似，激活值越高，从而实现特征
AlexNet卷积核可视化，发现卷积核学习
到的是边缘，条纹，色彩这一些细节模式
卷积维度：一般情况
他们处理的都是input tensor前几个维度的信息。
1）1D主要用于NLP中的N_gram，一维卷积又称时域卷积。
2）2D和3D卷积用于图像。其中2D卷积处理的是一张图像，3D卷积处理的就是多张图像。3D卷积考虑时间维度的信息。
参考资料：
https://github.com/vdumoulin/conv_arithmetic
本文分为几个部分来详解Conv2d与Conv1d。主要侧重于Conv2d
本文记于2020年12月15日，起因是DGCNN中部分卷积使用了二维卷积，部分卷积使用了一维卷积。加之之前对Conv2d与Conv1d属于一种迷迷糊糊的状态，趁着这个机会弄清楚。
Conv2d原理（二维卷积层）
二维互相关运算
互相关运算与卷积运算
虽然卷积层得名于卷积(convolution)运算，但所有框架在实现卷积层的底层，都采用的是互相关运算。实际上，卷积运算与互相关运算类似，为了得到卷积运算
# With square kernels and equal stride
conv1 = nn.Conv2d(1, 10, kernel_size=5)
conv2 = nn.Conv2d(10, 20, kernel_size=5)
conv2_drop = nn.Drop.
IEEE Access的一篇文章，其模型在RWF-2000数据集获得了92%的准确率，作者提出了轻量级的空间注意模块和时间注意模块，还有一个Frame-grouping方法，可以与传统的二维卷积神经网络（2D CNNs）相结合，该方法是本文的亮点，作者通过消融实验证明了Frame-grouping方法获得的提升最大，仅使用Frame-grouping都可以在RWF-2000数据集获得88%的准确率，而且Frame-grouping还降低了计算量，更有利于部署在硬件端。下图为整个模型的流程图：
空间注意力M
模型inceptionv1-v4Inception增加1×1层
5*5->2*3*3, 1*n*n*1, 并行pool，全链接层替换为均值pooling
global average pooling
2D卷积神经网络（CNN）和1D卷积神经网络（TCN）的主要区别在于它们处理的数据类型不同。
2D CNN通常用于处理图像数据，其中每个图像由像素组成，可以看做是二维数组。2D CNN使用2D卷积核来提取图像中的空间特征，例如边缘，纹理和形状。卷积核在图像的每个位置上滑动，并将卷积核中的权重与图像中对应位置的像素相乘，然后将结果相加得到卷积特征图。2D CNN还通常使用池化层来减少特征图的大小，并减少模型中的参数数量。
而1D CNN通常用于处理时间序列数据或文本数据，其中数据可以看做是一维数组。1D CNN使用1D卷积核来提取时间序列或文本中的特征。卷积核在时间序列或文本的每个位置上滑动，并将卷积核中的权重与时间序列或文本中对应位置的值相乘，然后将结果相加得到卷积特征图。1D CNN也可以使用池化层来减少特征图的大小，并减少模型中的参数数量。
因此，2D CNN和1D CNN在处理的数据类型上有所不同，适用于不同的任务。但它们的基本结构和工作原理是相似的。
