[Docathon][Add CN Doc No.32 ]

docs/api/paddle/sparse/Overview_cn.rst

@@ -77,6 +77,7 @@ paddle.sparse 目录包含飞桨框架支持稀疏数据存储和计算相关的
     " :ref:`paddle.sparse.nn.BatchNorm<cn_api_paddle_sparse_nn_BatchNorm>` ", " Batch Normalization 层"
     " :ref:`paddle.sparse.nn.SyncBatchNorm<cn_api_paddle_sparse_nn_SyncBatchNorm>` ", " Synchronized Batch Normalization 层"
     " :ref:`paddle.sparse.nn.MaxPool3D<cn_api_paddle_sparse_nn_MaxPool3D>` ", "三维最大池化层"
+    " :ref:`paddle.sparse.nn.SubmConv2D <cn_api_paddle_sparse_nn_SubmConv2D>` ", "子流形二维卷积层"
 
 .. _about_sparse_nn_functional:
 

docs/api/paddle/sparse/nn/SubmConv2D_cn.rst

@@ -0,0 +1,96 @@
+.. _cn_api_paddle_sparse_nn_SubmConv2D:
+
+SubmConv2D
+-------------------------------
+
+.. py:class:: paddle.sparse.nn.SubmConv2D(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, padding_mode='zeros', key=None, weight_attr=None, bias_attr=None, data_format='NHWC')
+
+**子流形稀疏二维卷积层**
+
+子流形稀疏卷积 2d 层(submanifold sparse convolution2d layer)根据输入计算输出，卷积核和步长、填充、空洞大小(dilations)、组参数。
+输入(input)和输出(Output)是多维的稀疏张量(Sparse Coo Tensor)，
+形状为:math:[N,H,W,C]其中 N 是批量大小，C 是通道，H 是特征的高度，W 是特征的宽度。
+如果提供了偏见归因，偏置被添加到卷积的输出。
+对于每一个输入 :math:`X`，方程是：
+
+..  math::
+    Out = W \ast X + b
+
+其中：
+
+    - :math:`X`: 输入值, NDHWC 格式的张量。
+    - :math:`W`: 卷积核值, NDHWC 格式的张量。
+    - :math:`\\ast`: 子流形卷积运算, 参考论文: https://arxiv.org/abs/1706.01307.
+    - :math:`b`: 偏置值, 形状为[M]的一维张量.
+    - :math:`Out`: 输出值, :math:`Out` 和 :math:`X` 的形状可能不同.
+
+参数
+::::::::::::
+
+    - **in_channels**(int): - 输入图像中的输入通道数。
+    - **out_channels**(int): - 卷积产生的输出通道数。
+    - **kernel_size**(int|list|tuple): - 卷积核的大小。
+                                         可以为单个整数或包含三个整数的元组或列表，分别表示卷积核的深度，高和宽。如果为单个整数，表示卷积核的深度，高和宽都等于该整数。
+    - **stride**(int|list|tuple, 可选): - 步幅大小。如果 stride 是一个列表/元组，它必须包含两个整数，(stride_H, stride_W).
+                                          否则, stride_H = stride_W = stride。默认值为 1.
+    - **padding**(int|str|tuple|list, 可选): - 填充大小。应为以下几种格式之一。
+
+            1. 如果它是一个字符串，可以是 "VALID" 或者 "SAME"，计算细节可参考上述 ``padding`` = "SAME" 或  ``padding`` = "VALID" 时的计算公式。
+            2. 如果它是一个整数, 则代表它每个 Spartial 维度(depth, height, width) 被 `padding` 的大小填充为零。
+            3. 一个 list[int] 或 tuple[int]，其长度是 Spartial 维度的数目，它包含每个 Spartial 维度每侧的填充量。它的形式为 [pad_d1, pad_d2, ...]。
+            4. 一个 list[int] 或 tuple[int]，其长度为 2 * 部分维数。对于所有局部维度，它的形式为 [pad_before, pad_after, pad_before, pad_after, ...]。
+            5. 一个整数对的列表或元组。它的形式为 [[pad_before, pad_after], [pad_before, pad_after], ...]。
+
+            请注意，批维度和通道维度也包括在内。每对整数对应于输入维度的填充量。批维度和通道维度中的填充应为[0, 0]或者是(0, 0)默认值为 0。
+    - **dilation**(int|list|tuple, 可选): - 空洞大小。如果 dilation 是列表或元组, 则它必须包含两个整数 (dilation_H, dilation_W)。
+                                            否则, dilation_H = dilation_W = dilation。默认值为 1。
+    - **groups**(int, 可选): - 二维卷积层的组号。根据 Alex Krizhevsky 的 Deep CNN 论文中的分组卷积:
+                               当 group = 2 时, 滤波器的前半部分仅连接到输入通道的前半部分, 而滤波器的后半部分仅连接到输入通道的后半部分。默认值为 1。
+    - **padding_mode**(str, 可选): - ``'zeros'``, ``'reflect'``, ``'replicate'`` 或 ``'circular'``。 目前仅支持 ``'zeros'``。
+    - **key**(str, 可选): - key 用于保存或使用相同的规则手册，规则手册的定义和作用是指
+                            https://pdfs.semanticscholar.org/5125/a16039cabc6320c908a4764f32596e018ad3.pdf. The
+                            默认值为 None。
+    - **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，则 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)`, 并且 :math:`std` 是
+                                          :math:`(\frac{2.0 }{filter\_elem\_num})^{0.5}`,
+                                          默认值为 None。
+    - **bias_attr**(ParamAttr|bool, 可选): - conv2d 偏差的参数属性。如果设置为 False, 则不会向输出单位添加任何偏置。
+                                             如果设置为 None 或 ParamAttr 的一个属性，则 conv2d 将创建 ParamAttr 作为 bias_attr。如果未设置 bias_attr 的初始值设定项,则偏置初始化为零。
+                                             默认值为 None。
+    - **data_format**(str, 可选): 指定输入布局的数据格式。它可以是 "NCHW" 或 "NHWC"。目前仅支持 "NHWC"。
+
+属性
+::::::::::::
+
+weight
+'''''''''
+该层滤波器的可学习权重，类型为 ``Parameter``。
+
+bias
+'''''''''
+本层的可学习偏置，类型为 ``Parameter``。
+
+形状
+::::::::::::
+
+    - x: :math:`(N, H_{in}, W_{in}, C_{in})`
+
+    - 权重: :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.SubmConv2D