From 660d550f11ed951af44c22a29c98d7407efceebe Mon Sep 17 00:00:00 2001 From: shiyuasuka <56873610+shiyuasuka@users.noreply.github.com> Date: Sun, 5 Oct 2025 00:21:42 +0800 Subject: [PATCH 1/5] Update conv2d_transpose_cn.rst --- .../nn/functional/conv2d_transpose_cn.rst | 47 ++++++++++++++----- 1 file changed, 34 insertions(+), 13 deletions(-) diff --git a/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst b/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst index c3b60f6c5d5..797944a3097 100644 --- a/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst +++ b/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst @@ -3,17 +3,13 @@ conv2d_transpose ------------------------------- - .. py:function:: paddle.nn.functional.conv2d_transpose(x, weight, bias=None, stride=1, padding=0, output_padding=0, groups=1, dilation=1, data_format='NCHW', output_size=None, name=None) +二维转置卷积层（Convolution2D transpose layer） +该层根据输入（``input``）、卷积核（``kernel``）和空洞大小（``dilations``）、步长（``stride``）、填充（``padding``）来计算输出特征层大小，或者通过 ``output_size`` 指定输出特征层大小。输入（``Input``）和输出（``Output``）为 ``NCHW`` 或 ``NHWC`` 格式，其中 N 为批尺寸，C 为通道数（channel），H 为特征层高度，W 为特征层宽度。卷积核是 ``MCHW`` 格式，M 是输出图像通道数，C 是输入图像通道数，H 是卷积核高度，W 是卷积核宽度。如果组数大于 1，C 等于输入图像通道数除以组数的结果。转置卷积的计算过程相当于卷积的反向计算。转置卷积又被称为反卷积（但其实并不是真正的反卷积）。欲了解转置卷积层细节，请参考下面的说明和 参考文献_。如果参数 ``bias_attr`` 不为 ``False``，转置卷积计算会添加偏置项。如果 ``act`` 不为 ``None``，则转置卷积计算之后添加相应的激活函数。 -二维转置卷积层（Convlution2D transpose layer） - -该层根据输入（input）、卷积核（kernel）和空洞大小（dilations）、步长（stride）、填充（padding）来计算输出特征层大小或者通过 output_size 指定输出特征层大小。输入(Input)和输出(Output)为 NCHW 或 NHWC 格式，其中 N 为批尺寸，C 为通道数（channel），H 为特征层高度，W 为特征层宽度。卷积核是 MCHW 格式，M 是输出图像通道数，C 是输入图像通道数，H 是卷积核高度，W 是卷积核宽度。如果组数大于 1，C 等于输入图像通道数除以组数的结果。转置卷积的计算过程相当于卷积的反向计算。转置卷积又被称为反卷积（但其实并不是真正的反卷积）。欲了解转置卷积层细节，请参考下面的说明和 参考文献_。如果参数 bias_attr 不为 False，转置卷积计算会添加偏置项。如果 act 不为 None，则转置卷积计算之后添加相应的激活函数。 - -.. _参考文献：https://arxiv.org/pdf/1603.07285.pdf - +.. _参考文献: https://arxiv.org/pdf/1603.07285.pdf 输入 :math:`X` 和输出 :math:`Out` 函数关系如下： @@ -75,13 +71,38 @@ conv2d_transpose - **weight** (Tensor) - 形状为 :math:`[C, M/g, kH, kW]` 的卷积核（卷积核）。 M 是输出通道数，g 是分组的个数，kH 是卷积核的高度，kW 是卷积核的宽度。 - **bias** (int|list|tuple，可选) - 偏置项，形状为：:math:`[M,]` 。 - **stride** (int|list|tuple，可选) - 步长大小。如果 ``stride`` 为元组，则必须包含两个整型数，分别表示垂直和水平滑动步长。否则，表示垂直和水平滑动步长均为 ``stride``。默认值：1。 - - **padding** (int|list|tuple|str，可选) - 填充大小。如果它是一个字符串，可以是"VALID"或者"SAME"，表示填充算法，计算细节可参考上述 ``padding`` = "SAME"或 ``padding`` = "VALID" 时的计算公式。如果它是一个元组或列表，它可以有 3 种格式：(1)包含 4 个二元组：当 ``data_format`` 为"NCHW"时为 [[0,0], [0,0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right]]，当 ``data_format`` 为"NHWC"时为[[0,0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right], [0,0]]；(2)包含 4 个整数值：[padding_height_top, padding_height_bottom, padding_width_left, padding_width_right]；(3)包含 2 个整数值：[padding_height, padding_width]，此时 padding_height_top = padding_height_bottom = padding_height， padding_width_left = padding_width_right = padding_width。若为一个整数，padding_height = padding_width = padding。默认值：0。 + - **padding** (int|list|tuple|str，可选) - 填充大小。如果它是一个字符串，可以是 "VALID" 或者 "SAME"，表示填充算法，计算细节可参考上述 ``padding`` = "SAME" 或 ``padding`` = "VALID" 时的计算公式。 + + 如果它是一个元组或列表，可以有以下 3 种格式： + + 1. **包含 4 个二元组** + + - 当 ``data_format`` 为 "NCHW" 时为： + ``[[0,0], [0,0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right]]`` + - 当 ``data_format`` 为 "NHWC" 时为： + ``[[0,0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right], [0,0]]`` + + 2. **包含 4 个整数值** + 格式为： + ``[padding_height_top, padding_height_bottom, padding_width_left, padding_width_right]`` + + 3. **包含 2 个整数值** + 格式为： + ``[padding_height, padding_width]`` + 此时： + ``padding_height_top = padding_height_bottom = padding_height`` + ``padding_width_left = padding_width_right = padding_width`` + + 若为一个整数，表示： + ``padding_height = padding_width = padding``。 + 默认值：0。 - **output_padding** (int|list|tuple，可选) - 输出形状上一侧额外添加的大小。默认值：0。 - - **dilation** (int|list|tuple，可选) - 空洞大小。空洞卷积时会使用该参数，卷积核对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。如果空洞大小为列表或元组，则必须包含两个整型数：（dilation_height,dilation_width）。若为一个整数，dilation_height = dilation_width = dilation。默认值：1。 - - **groups** (int，可选) - 二维卷积层的组数。根据 Alex Krizhevsky 的深度卷积神经网络（CNN）论文中的成组卷积：当 group=n，输入和卷积核分别根据通道数量平均分为 n 组，第一组卷积核和第一组输入进行卷积计算，第二组卷积核和第二组输入进行卷积计算，……，第 n 组卷积核和第 n 组输入进行卷积计算。默认值：1。 - - **data_format** (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是"NCHW"和"NHWC"。N 是批尺寸，C 是通道数，H 是特征高度，W 是特征宽度。默认值："NCHW"。 - - **output_size** (int|list|tuple，可选) - 输出尺寸，整数或包含一个整数的列表或元组。如果为 ``None``，则会用 filter_size(``weight``的 shape), ``padding`` 和 ``stride`` 计算出输出特征图的尺寸。默认值：None。 - - **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name`，一般无需设置，默认值为 None。 + - **dilation** (int|list|tuple，可选) - 空洞大小。空洞卷积时会使用该参数，卷积核对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。如果空洞大小为列表或元组，则必须包含两个整型数：``(dilation_height, dilation_width)``。若为一个整数，``dilation_height = dilation_width = dilation``。默认值：1。 + - **groups** (int，可选) - 二维卷积层的组数。根据 Alex Krizhevsky 的深度卷积神经网络（CNN）论文中的成组卷积：当 ``group = n``，输入和卷积核分别根据通道数量平均分为 ``n`` 组，第一组卷积核和第一组输入进行卷积计算，第二组卷积核和第二组输入进行卷积计算，……，第 ``n`` 组卷积核和第 ``n`` 组输入进行卷积计算。默认值：1。 + - **data_format** (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是 "NCHW" 和 "NHWC" 。``N`` 是批尺寸，``C`` 是通道数，``H`` 是特征高度，``W`` 是特征宽度。默认值： "NCHW" 。 + - **output_size** (int|list|tuple，可选) - 输出尺寸，整数或包含一个整数的列表或元组。如果为 ``None``，则会用 filter_size (``weight`` 的 shape)、``padding`` 和 ``stride`` 计算出输出特征图的尺寸。默认值：``None``。 + - **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name`，一般无需设置。默认值：``None``。 + 返回 From f4e6ebf2fb41737e45286878d5b5dcc0c994e5fd Mon Sep 17 00:00:00 2001 From: shiyuasuka <56873610+shiyuasuka@users.noreply.github.com> Date: Sun, 5 Oct 2025 10:27:03 +0800 Subject: [PATCH 2/5] Update conv2d_transpose_cn.rst 1.1 --- .../paddle/nn/functional/conv2d_transpose_cn.rst | 14 +++++++------- 1 file changed, 7 insertions(+), 7 deletions(-) diff --git a/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst b/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst index 797944a3097..1af42cd829b 100644 --- a/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst +++ b/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst @@ -5,9 +5,9 @@ conv2d_transpose .. py:function:: paddle.nn.functional.conv2d_transpose(x, weight, bias=None, stride=1, padding=0, output_padding=0, groups=1, dilation=1, data_format='NCHW', output_size=None, name=None) -二维转置卷积层（Convolution2D transpose layer） +二维转置卷积层（Convlution2D transpose layer） -该层根据输入（``input``）、卷积核（``kernel``）和空洞大小（``dilations``）、步长（``stride``）、填充（``padding``）来计算输出特征层大小，或者通过 ``output_size`` 指定输出特征层大小。输入（``Input``）和输出（``Output``）为 ``NCHW`` 或 ``NHWC`` 格式，其中 N 为批尺寸，C 为通道数（channel），H 为特征层高度，W 为特征层宽度。卷积核是 ``MCHW`` 格式，M 是输出图像通道数，C 是输入图像通道数，H 是卷积核高度，W 是卷积核宽度。如果组数大于 1，C 等于输入图像通道数除以组数的结果。转置卷积的计算过程相当于卷积的反向计算。转置卷积又被称为反卷积（但其实并不是真正的反卷积）。欲了解转置卷积层细节，请参考下面的说明和 参考文献_。如果参数 ``bias_attr`` 不为 ``False``，转置卷积计算会添加偏置项。如果 ``act`` 不为 ``None``，则转置卷积计算之后添加相应的激活函数。 +该层根据输入（input）、卷积核（kernel）和空洞大小（dilations）、步长（stride）、填充（padding）来计算输出特征层大小或者通过 output_size 指定输出特征层大小。输入(Input)和输出(Output)为 NCHW 或 NHWC 格式，其中 N 为批尺寸，C 为通道数（channel），H 为特征层高度，W 为特征层宽度。卷积核是 MCHW 格式，M 是输出图像通道数，C 是输入图像通道数，H 是卷积核高度，W 是卷积核宽度。如果组数大于 1，C 等于输入图像通道数除以组数的结果。转置卷积的计算过程相当于卷积的反向计算。转置卷积又被称为反卷积（但其实并不是真正的反卷积）。欲了解转置卷积层细节，请参考下面的说明和 参考文献_。如果参数 bias_attr 不为 False，转置卷积计算会添加偏置项。如果 act 不为 None，则转置卷积计算之后添加相应的激活函数。 .. _参考文献: https://arxiv.org/pdf/1603.07285.pdf @@ -97,11 +97,11 @@ conv2d_transpose ``padding_height = padding_width = padding``。 默认值：0。 - **output_padding** (int|list|tuple，可选) - 输出形状上一侧额外添加的大小。默认值：0。 - - **dilation** (int|list|tuple，可选) - 空洞大小。空洞卷积时会使用该参数，卷积核对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。如果空洞大小为列表或元组，则必须包含两个整型数：``(dilation_height, dilation_width)``。若为一个整数，``dilation_height = dilation_width = dilation``。默认值：1。 - - **groups** (int，可选) - 二维卷积层的组数。根据 Alex Krizhevsky 的深度卷积神经网络（CNN）论文中的成组卷积：当 ``group = n``，输入和卷积核分别根据通道数量平均分为 ``n`` 组，第一组卷积核和第一组输入进行卷积计算，第二组卷积核和第二组输入进行卷积计算，……，第 ``n`` 组卷积核和第 ``n`` 组输入进行卷积计算。默认值：1。 - - **data_format** (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是 "NCHW" 和 "NHWC" 。``N`` 是批尺寸，``C`` 是通道数，``H`` 是特征高度，``W`` 是特征宽度。默认值： "NCHW" 。 - - **output_size** (int|list|tuple，可选) - 输出尺寸，整数或包含一个整数的列表或元组。如果为 ``None``，则会用 filter_size (``weight`` 的 shape)、``padding`` 和 ``stride`` 计算出输出特征图的尺寸。默认值：``None``。 - - **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name`，一般无需设置。默认值：``None``。 + - **dilation** (int|list|tuple，可选) - 空洞大小。空洞卷积时会使用该参数，卷积核对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。如果空洞大小为列表或元组，则必须包含两个整型数：（dilation_height,dilation_width）。若为一个整数，dilation_height = dilation_width = dilation。默认值：1。 + - **groups** (int，可选) - 二维卷积层的组数。根据 Alex Krizhevsky 的深度卷积神经网络（CNN）论文中的成组卷积：当 group=n，输入和卷积核分别根据通道数量平均分为 n 组，第一组卷积核和第一组输入进行卷积计算，第二组卷积核和第二组输入进行卷积计算，……，第 n 组卷积核和第 n 组输入进行卷积计算。默认值：1。 + - **data_format** (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是"NCHW"和"NHWC"。N 是批尺寸，C 是通道数，H 是特征高度，W 是特征宽度。默认值："NCHW"。 + - **output_size** (int|list|tuple，可选) - 输出尺寸，整数或包含一个整数的列表或元组。如果为 ``None``，则会用 filter_size (``weight`` 的 shape)、``padding`` 和 ``stride`` 计算出输出特征图的尺寸。默认值：None。 + - **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name`，一般无需设置，默认值为 None。 From 0eb081bbcb5f1d1807cbe8710bde8bc908a90a67 Mon Sep 17 00:00:00 2001 From: shiyuasuka <56873610+shiyuasuka@users.noreply.github.com> Date: Sun, 5 Oct 2025 10:29:58 +0800 Subject: [PATCH 3/5] Update conv2d_transpose_cn.rst 1.2 --- docs/api/paddle/nn/functional/conv2d_transpose_cn.rst | 5 ++++- 1 file changed, 4 insertions(+), 1 deletion(-) diff --git a/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst b/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst index 1af42cd829b..da873dd8846 100644 --- a/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst +++ b/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst @@ -3,14 +3,18 @@ conv2d_transpose ------------------------------- + .. py:function:: paddle.nn.functional.conv2d_transpose(x, weight, bias=None, stride=1, padding=0, output_padding=0, groups=1, dilation=1, data_format='NCHW', output_size=None, name=None) + + 二维转置卷积层（Convlution2D transpose layer） 该层根据输入（input）、卷积核（kernel）和空洞大小（dilations）、步长（stride）、填充（padding）来计算输出特征层大小或者通过 output_size 指定输出特征层大小。输入(Input)和输出(Output)为 NCHW 或 NHWC 格式，其中 N 为批尺寸，C 为通道数（channel），H 为特征层高度，W 为特征层宽度。卷积核是 MCHW 格式，M 是输出图像通道数，C 是输入图像通道数，H 是卷积核高度，W 是卷积核宽度。如果组数大于 1，C 等于输入图像通道数除以组数的结果。转置卷积的计算过程相当于卷积的反向计算。转置卷积又被称为反卷积（但其实并不是真正的反卷积）。欲了解转置卷积层细节，请参考下面的说明和 参考文献_。如果参数 bias_attr 不为 False，转置卷积计算会添加偏置项。如果 act 不为 None，则转置卷积计算之后添加相应的激活函数。 .. _参考文献: https://arxiv.org/pdf/1603.07285.pdf + 输入 :math:`X` 和输出 :math:`Out` 函数关系如下： .. math:: @@ -104,7 +108,6 @@ conv2d_transpose - **name** (str，可选) - 具体用法请参见 :ref:`api_guide_Name`，一般无需设置，默认值为 None。 - 返回 :::::::::::: 4-D Tensor，数据类型与 ``input`` 一致。如果未指定激活层，则返回转置卷积计算的结果，如果指定激活层，则返回转置卷积和激活计算之后的最终结果。 From d7a0defde8e3cc6213097de81cd9c40065351805 Mon Sep 17 00:00:00 2001 From: shiyuasuka <56873610+shiyuasuka@users.noreply.github.com> Date: Sun, 5 Oct 2025 22:25:33 +0800 Subject: [PATCH 4/5] Update conv2d_transpose_cn.rst1.3 --- docs/api/paddle/nn/functional/conv2d_transpose_cn.rst | 8 +++++--- 1 file changed, 5 insertions(+), 3 deletions(-) diff --git a/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst b/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst index da873dd8846..137f9b4e048 100644 --- a/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst +++ b/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst @@ -80,11 +80,11 @@ conv2d_transpose 如果它是一个元组或列表，可以有以下 3 种格式： 1. **包含 4 个二元组** - + - 当 ``data_format`` 为 "NCHW" 时为： - ``[[0,0], [0,0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right]]`` + ``[[0, 0], [0, 0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right]]`` - 当 ``data_format`` 为 "NHWC" 时为： - ``[[0,0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right], [0,0]]`` + ``[[0, 0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right], [0, 0]]`` 2. **包含 4 个整数值** 格式为： @@ -99,7 +99,9 @@ conv2d_transpose 若为一个整数，表示： ``padding_height = padding_width = padding``。 + 默认值：0。 + - **output_padding** (int|list|tuple，可选) - 输出形状上一侧额外添加的大小。默认值：0。 - **dilation** (int|list|tuple，可选) - 空洞大小。空洞卷积时会使用该参数，卷积核对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。如果空洞大小为列表或元组，则必须包含两个整型数：（dilation_height,dilation_width）。若为一个整数，dilation_height = dilation_width = dilation。默认值：1。 - **groups** (int，可选) - 二维卷积层的组数。根据 Alex Krizhevsky 的深度卷积神经网络（CNN）论文中的成组卷积：当 group=n，输入和卷积核分别根据通道数量平均分为 n 组，第一组卷积核和第一组输入进行卷积计算，第二组卷积核和第二组输入进行卷积计算，……，第 n 组卷积核和第 n 组输入进行卷积计算。默认值：1。 From c419b0b7458ebd5228444688f551f7cfee26ed9f Mon Sep 17 00:00:00 2001 From: shiyuasuka <56873610+shiyuasuka@users.noreply.github.com> Date: Sun, 5 Oct 2025 23:03:54 +0800 Subject: [PATCH 5/5] Update conv2d_transpose_cn.rst codestyle fix --- .../nn/functional/conv2d_transpose_cn.rst | 37 ++++++++++--------- 1 file changed, 19 insertions(+), 18 deletions(-) diff --git a/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst b/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst index 137f9b4e048..29a72b0a9ca 100644 --- a/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst +++ b/docs/api/paddle/nn/functional/conv2d_transpose_cn.rst @@ -76,32 +76,33 @@ conv2d_transpose - **bias** (int|list|tuple，可选) - 偏置项，形状为：:math:`[M,]` 。 - **stride** (int|list|tuple，可选) - 步长大小。如果 ``stride`` 为元组，则必须包含两个整型数，分别表示垂直和水平滑动步长。否则，表示垂直和水平滑动步长均为 ``stride``。默认值：1。 - **padding** (int|list|tuple|str，可选) - 填充大小。如果它是一个字符串，可以是 "VALID" 或者 "SAME"，表示填充算法，计算细节可参考上述 ``padding`` = "SAME" 或 ``padding`` = "VALID" 时的计算公式。 - 如果它是一个元组或列表，可以有以下 3 种格式： - 1. **包含 4 个二元组** + 1. **包含 4 个二元组** - - 当 ``data_format`` 为 "NCHW" 时为： - ``[[0, 0], [0, 0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right]]`` - - 当 ``data_format`` 为 "NHWC" 时为： - ``[[0, 0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right], [0, 0]]`` + - 当 ``data_format`` 为 "NCHW" 时为： + ``[[0, 0], [0, 0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right]]`` + - 当 ``data_format`` 为 "NHWC" 时为： + ``[[0, 0], [padding_height_top, padding_height_bottom], [padding_width_left, padding_width_right], [0, 0]]`` - 2. **包含 4 个整数值** - 格式为： - ``[padding_height_top, padding_height_bottom, padding_width_left, padding_width_right]`` + 2. **包含 4 个整数值** - 3. **包含 2 个整数值** - 格式为： - ``[padding_height, padding_width]`` - 此时： - ``padding_height_top = padding_height_bottom = padding_height`` - ``padding_width_left = padding_width_right = padding_width`` + 格式为： + ``[padding_height_top, padding_height_bottom, padding_width_left, padding_width_right]`` - 若为一个整数，表示： - ``padding_height = padding_width = padding``。 + 3. **包含 2 个整数值** - 默认值：0。 + 格式为： + ``[padding_height, padding_width]`` + + 此时： + ``padding_height_top = padding_height_bottom = padding_height`` + ``padding_width_left = padding_width_right = padding_width`` + 若为一个整数，表示： + ``padding_height = padding_width = padding`` + + 默认值：0。 - **output_padding** (int|list|tuple，可选) - 输出形状上一侧额外添加的大小。默认值：0。 - **dilation** (int|list|tuple，可选) - 空洞大小。空洞卷积时会使用该参数，卷积核对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。如果空洞大小为列表或元组，则必须包含两个整型数：（dilation_height,dilation_width）。若为一个整数，dilation_height = dilation_width = dilation。默认值：1。 - **groups** (int，可选) - 二维卷积层的组数。根据 Alex Krizhevsky 的深度卷积神经网络（CNN）论文中的成组卷积：当 group=n，输入和卷积核分别根据通道数量平均分为 n 组，第一组卷积核和第一组输入进行卷积计算，第二组卷积核和第二组输入进行卷积计算，……，第 n 组卷积核和第 n 组输入进行卷积计算。默认值：1。