3DCNN在高光谱数据中的运算过程，以nn.Conv3D为例

• 高光谱图像介绍
• 直接上代码
• 粘贴一下计算公式

高光谱图像介绍

普通的图片是RGB3个维度，高光谱图像就是比普通图像多几十个维度的图像而已。看别人用3dcnn处理高光谱图像没看懂，所以自己总结一下。

直接上代码

// 
m = nn.Conv3d(3, 4, (2, 7, 7), stride=1)
input = autograd.Variable(torch.randn(1, 3, 7, 60, 40))
output = m(input)
print(output.size())
# 输出是 torch.Size([1, 4, 6, 54, 34])

input = 长 宽 深度=60 40 7的立方体，一共3个这样立方体

nn.Conv3d(3, 4, (2, 7, 7), stride=1)
1.里面的第一个3是输入通道数 这里要和下面的3个立方体相等(3应该是通道数，因为在3D里面通道是立方体，在2D里通道是个平面)
2.这里的4是输出的立方体的个数（通道数），这个4可以随意更改，你改为5代表要用5个滤波器生成5个立方体
3.这里的(2,7,7)是卷积核大小，这里是长宽深度=772，stride=1代表（1，1，1）就是这个卷积核每次移动1，注意卷积核移动是在3个方向。

粘贴一下计算公式

再粘贴一下代码：
m = nn.Conv3d(3, 4, (2, 7, 7), stride=1)
input = autograd.Variable(torch.randn(1, 3, 7, 60, 40))

下面逐个介绍输出 torch.Size([1, 4, 6, 54, 34])的各个数字的由来：

1：不变，可能是代表一个高光谱图像
4：与nn.Conv3d(3, 4, (2, 7, 7), stride=1)中自定义的输出4相等 四个立方体
6：输入深度是7，卷积核深度是2，步长1，padding=0，则（7+20-2）/1+1=6
54：（60+20-7）/1+1=54
34：（40+2*0-7）/1+1=34

标签：nn,为例,光谱,无标题,stride,图像,立方体,Conv3d
来源： https://blog.csdn.net/qq_43243539/article/details/121734323