[Docathon][Add CN Doc No.24-25]

docs/api/paddle/sparse/nn/Conv2d_cn.rst

@@ -0,0 +1,83 @@
+.. _cn_api_paddle_sparse_nn_Conv2D:
+
+Conv2D
+-------------------------------
+
+.. py:class:: paddle.sparse.nn.Conv2D(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, padding_mode='zeros', weight_attr=None, bias_attr=None, data_format="NHWC")
+
+**稀疏二维卷积层**
+
+二维稀疏卷积层（Sparse convolution2d layer）根据输入、卷积核、步长（stride）、填充（padding）、空洞大小（dilations）一组参数计算得到输出特征层大小。
+
+输入（Input）和输出（Output）是 NHWC 格式。
+
+其中 N 是批量大小，C 是通道数，H 是特征的高度，W 是特征层宽度。如果 bias_attr 不为 False，卷积计算会添加偏置项。
+
+对于每个输入 X，方程为：
+
+.. math::
+
+    Out = W \ast X + b
+
+其中：
+
+    - :math:`X`：输入值，NHWC 格式的 Tensor
+    - :math:`W`：卷积核值，NHWC 格式的 Tensor
+    - :math:`*`：卷积操作
+    - :math:`b`：偏置值，1-D Tensor，形为 ``[M]``
+    - :math:`Out`：输出值，NHWC 格式的 Tensor，和 ``X`` 的形状可能不同
+
+参数
+::::::::::::
+
+    - **in_channels** (int) - 输入图像的通道数。
+    - **out_channels** (int) - 由卷积操作产生的输出的通道数。
+    - **kernel_size** (int|list|tuple) - 卷积核大小。
+    - **stride** (int|list|tuple，可选) - 步长大小。可以为单个整数或包含三个整数的元组或列表，分别表示卷积沿着深度，高和宽的步长。如果为单个整数，表示沿着高和宽的步长都等于该整数。默认值：1。
+    - **padding** (int|str|tuple|list，可选) - 填充大小。填充可以是以下形式之一：
+        1. 字符串 ['valid', 'same']。
+        2. 一个整数，表示每个空间维度（高度、宽度）的零填充大小。
+        3. 长度为空间维度数量的列表[int]或元组[int]，包含每个空间维度两边的填充量。形式为 [pad_d1, pad_d2, ...]。
+        4. 长度为空间维度数量的两倍的列表[int]或元组[int]。形式为 [pad_before, pad_after, pad_before, pad_after, ...]。
+        5. 成对整数的列表或元组。形式为 [[pad_before, pad_after], [pad_before, pad_after], ...]。
+        注意，批量维度和通道维度也包括在内。每对整数对应输入的一个维度的填充量。批量维度和通道维度的填充应为 [0, 0] 或 (0, 0)。默认值为 0。
+    - **dilation** (int|list|tuple，可选) - 空洞大小。可以为单个整数或包含三个整数的元组或列表，分别表示卷积核中的元素沿着深度，高和宽的空洞。如果为单个整数，表示深度，高和宽的空洞都等于该整数。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。
+    - **padding_mode** (str，可选) - 填充模式。包括 ``'zeros'``, ``'reflect'``, ``'replicate'`` 或者 ``'circular'``。默认值：``'zeros'`` 。
+    - **weight_attr** (ParamAttr，可选) - conv2d 的可学习参数/权重的参数属性。如果设置为 None 或 ParamAttr 的一个属性，conv2d 将创建 ParamAttr 作为 param_attr。如果设置为 None，则参数初始化为 :math:`Normal(0.0, std)`，:math:`std` 为 :math:`(\frac{2.0 }{filter\_elem\_num})^{0.5}`。默认值为 None。
+    - **bias_attr** (ParamAttr|bool，可选) - conv2d 的偏置参数属性。如果设置为 False，则不会在输出单元中添加偏置。如果设置为 None 或 ParamAttr 的一个属性，conv2d 将创建 ParamAttr 作为 bias_attr。如果 bias_attr 的初始化器未设置，则偏置初始化为零。默认值为 None。
+    - **data_format** (str，可选) - 指定输入的数据格式。可以是 "NCHW" 或 "NHWC"。目前仅支持 "NHWC"。N 是批尺寸，C 是通道数，D 是特征深度，H 是特征高度，W 是特征宽度。默认值："NDHWC"。 当前只支持"NDHWC"。
+
+
+属性
+::::::::::::
+
+weight
+'''''''''
+本层的可学习参数，类型为 ``Parameter``
+
+bias
+'''''''''
+本层的可学习偏置，类型为 ``Parameter``
+
+形状
+::::::::::::
+
+    - 输入：:math:`(N, H_{in}, W_{in}, C_{in})`
+    - 卷积核：:math:`(K_{h}, K_{w}, C_{in}, C_{out})`
+    - 偏置：:math:`(C_{out})`
+    - 输出：:math:`(N, H_{out}, W_{out}, C_{out})`
+
+    其中
+
+   .. math::
+
+    H_{out}&= \frac{(H_{in} + 2 * paddings[0] - (dilations[0] * (kernel\_size[0] - 1) + 1))}{strides[0]} + 1
+
+    W_{out}&= \frac{(W_{in} + 2 * paddings[1] - (dilations[1] * (kernel\_size[1] - 1) + 1))}{strides[1]} + 1
+
+
+代码示例
+::::::::::::
+
+COPY-FROM: paddle.sparse.nn.Conv2D

docs/api/paddle/sparse/nn/functional/conv2d_cn.rst

@@ -0,0 +1,47 @@
+.. _cn_api_paddle_sparse_nn_functional_conv2d:
+
+conv2d
+-------------------------------
+
+.. py:function:: paddle.sparse.nn.functional.conv2d(x, weight, bias=None, stride=1, padding=0, dilation=1, groups=1, data_format='NHWC', name=None)
+
+稀疏二维卷积层（sparse convolution2d），根据输入、卷积核、步长（stride）、填充（padding）、空洞大小（dilations）一组参数计算得到输出特征层大小。输入和输出是 NHWC 格式，其中 N 是批尺寸，H 是特征的高度，W 是特征层宽度，C 是通道数。如果 bias_attr 不为 False，卷积计算会添加偏置项。
+
+对于每个输入 X，方程为：
+
+.. math::
+
+    Out = \sigma (W \ast X + b)
+
+其中：
+
+    - :math:`X` ：输入值，NHWC 格式的 Tensor
+    - :math:`W` ：卷积核值，MCDHW 格式的 Tensor
+    - :math:`*` ：卷积操作
+    - :math:`b` ：偏置值，1-D Tensor，形为 ``[M]``
+    - :math:`Out` ：输出值， ``Out`` 和 ``X`` 的形状可能不同。
+
+参数
+::::::::::::
+    - **x** (Tensor) - 输入是形状为 [N, H, W, C] 的 4-D SparseCooTensor，输入的数据类型是 float16 或 float32 或 float64。
+    - **weight** (Tensor) - 卷积核，形状为 [kH, kW, C/g, M] 的张量，其中 M 是滤波器数（输出通道数），g 是分组数，kD、kH、kW 分别是滤波器的高度和宽度。
+    - **bias** (Tensor，可选) - 偏置，形状为 [M] 的张量。
+    - **stride** (int|list|tuple，可选) - 步长大小。指的是卷积中的步长。如果步长是列表/元组，则必须包含两个整数（stride_height, stride_width）。否则，stride_height = stride_width = stride。默认：stride = 1。
+    - **padding** (string|int|list|tuple，可选) - 填充大小。指的是每个维度两边的零填充数量。如果 `padding` 是字符串，可以是 'VALID' 或 'SAME'，这是填充算法。如果填充大小是元组或列表，可以是以下三种形式：`[pad_height, pad_width]` 或 `[pad_height_top, pad_height_bottom, pad_width_left, pad_width_right]`。当 `data_format` 为 `"NHWC"` 时，`padding` 可以是 `[[0,0], [pad_height_top, pad_height_bottom], [pad_width_left, pad_width_right], [0,0]]` 的形式。默认：padding = 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。如果空洞大小是列表或元组，则必须包含两个整数（dilation_height, dilation_width）。否则，dilation_height = dilation_width = dilation。默认：dilation = 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=2 时，滤波器的前半部分只与输入通道的前半部分相连，而滤波器的后半部分只与输入通道的后半部分相连。默认：groups=1。目前，仅支持 groups=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的一致。可选字符串："NHWC"。默认为 "NHWC"。当为 "NHWC" 时，数据按以下顺序存储：`[batch_size, input_height, input_width, input_channels]`。
+    - **name** (str，可选) - 具体用法请参阅 :ref:`api_guide_Name`。通常无需设置名称，默认为 None。
+
+返回
+::::::::::::
+    - 表示 conv2d 的 SparseCooTensor，其数据类型与输入相同。
+
+返回类型
+::::::::::::
+Tensor。
+
+代码示例
+::::::::::::
+
+COPY-FROM: paddle.sparse.nn.functional.conv2d