3D-CNN学习
2D卷积
传统的2D的 卷积神经网络(CNN) 使用一个卷积核在2D空间上滑动卷积操作
2D单通道卷积
如果是多通道卷积，那么卷积核通道和图片通道数是一致的，并且 不同通道的卷积核参数不同
2D多通道卷积
通过2D的卷积，我们可以感受出，卷积操作实际上是一个卷积核在一个空间中滑动的，滑动重合的部分进行乘weight并加上bias的操作
2D的卷积是在平面空间进行上述操作的，那么，能否将上述操作推广到更广的空间中？
3D卷积
答案是可以的。
3D-CNN
当我们有很多层的图片 （比如视频中的连续帧）时，将这些二维数据叠在一起，形成一个三维结构，通过在三维空间移动这样的三维卷积核并进行卷积计算，得到卷积的结果，如上图。
3D-CNN-animation
如果传入的为拥有多通道的图片序列（如RGB图片），那么上述卷积核每个位置还要在通道方向上为每个通道拆分出一层，可以理解为 分别对每个通道进行三维卷积操作
与二维卷积的区别
- 首先卷积核为3维的。虽然多通道的二维卷积中卷积核也可以看成有多个第三维度的层，但这些层在卷积操作中互相独立不产生影响；而三维卷积中卷积核拥有的深度(depth)维度之间会在操作中有加和操作，最终转化为输出结果的一个数
- 滑动空间是三维空间。3D卷积会在深度方向上滑动并卷积，而2D卷积不存在深度方向。
参考：
2D-CNN和3D-CNN计算 - 掘金 (juejin.cn)
3D Convolutions : Understanding + Use Case | Kaggle1D & 3D Convolutions explained with… MS Excel! | by Thom Lane | Apache MXNet | Medium
