我想了解PyTorch中conv2d和conv3d之间的区别。

以下两种有什么不同：

conv3d(in, out, kernel_size(1,3,3))

和

conv2d(in,out,kernel_size(3,3))

我查看了官方文档，但我无法完全理解两者之间的区别。在这种情况下，深度为1的conv3d是否应该与conv2d相同？任何帮助都将不胜感激。

回答：

为了直观地理解卷积核的工作原理，我建议看看单个特征层中的单元（即神经元）是如何获得的。

对于二维卷积，你有卷积层（CL）中单个特征层（FL）的高度和宽度，卷积核层（KL）在其上移动。因为一个CL可以有多个FL，所以会并行创建多个KL，并放置在不同的FL上，以便并行处理它们。这种并行处理通常以KL的“堆叠”结构来展示，通常被称为“卷积核”。不仅“卷积核”这一名称的单数形式会导致混淆，而且KL的并行处理通常被展示为KL的堆叠，创造了一种深度维度的错觉。因此重要的是要记住：这不是第三维度，这只是KL-FL的并行处理。

对于三维卷积，你现在需要3D KL来处理3D FL。这是一个真正的第三维度。将要“堆叠”的3D KL的数量将自动调整，以便并行处理网络中的多个3D FL。

关于你的问题：确实，深度为1的3D卷积核与2D卷积核相同，但对于不同的情况，函数的构建方式不同。即，2D用于具有两个维度（高度，宽度）的图像，而3D用于具有三个维度（高度，宽度，深度）的图像。