3D卷积输入是结构为：

[B,C,D,H,W]
# 分别表示样本，输入通道，深度，高度，宽度

pytorch中3D卷积模型包含以下参数：

nn.Conv3d(in_channels=1, out_channels=2, kernel_size=3, stride=1, padding=1)# in_channels=1：输入通道数为 1。
# out_channels=2：输出通道数为 2（即有2个卷积核）。
# kernel_size=3：卷积核大小为 3x3x3。
# stride=1：卷积核在深度、高度和宽度方向上的移动步幅为 1。
# padding=1：在深度、高度和宽度方向上填充 1 层零值

举个例子：

输入张量：(1, 1, 10, 32, 32)，表示 1 个样本，1 个输入通道，深度为 10，高度为 32，宽度为 32

卷积参数：
in_channels=1：输入通道数为 1。
out_channels=2：输出通道数为 2（即有 2 个卷积核）。
kernel_size=3：卷积核大小为 3x3x3。
stride=1：卷积核在深度、高度和宽度方向上的移动步幅为 1。
padding=1：在深度、高度和宽度方向上填充 1 层零值

那么输出张量的维度是多少？

输出张量的形状依然是 [B,C,D,H,W]，答案是(1,2,10,32,32)，我们来逐一看看每个维度是怎么得到的：

• Batch Size（批量大小）
  输入的 batch_size=1，卷积操作不改变批量大小。因此，输出张量的批量大小为 1

• Channels（通道数）
  输入通道数 in_channels=1，输出通道数 out_channels=2
  卷积层使用 2 个 3x3x3 的卷积核，每个卷积核生成一个输出通道
  因此，输出张量的通道数为 2

• Depth（深度）
  

• Height（高度）
  

• Width（宽度）
  
  综合以上计算，输出张量的形状为：(1,2,10,32,32)

卷积核的参数结构是[c_out,c_in,H,W]
对应到3D卷积上 c_out=D；c_in=C