官方文档在。
conv1d具体不做介绍了，本篇只做pytorch的API使用介绍.
计算公式
输入张量的Shape一般为
(
N
,
C
i
n
,
L
)
(N,C_{in}, L)
(N,Cin,L),其中N为batch_size,一般也可用B代替；
C
i
n
C_{in}
Cin输入张量倒数第二维，表示Channel的数量；
L是输入信号序列的长度；
输出张量的shape一般为
(
N
,
C
o
u
t
,
L
o
u
t
)
(N,C_{out},L_{out})
(N,Cout,Lout), 下一节会介绍怎么计算来的。
公式截图如下，
运算过程
假设输入的序列为 [1,5,7,3,2,1,6,9], 卷积核为[2,4,6,1,3]
那么对应nn.conv1d初始化就是 in_channel=1， out_channel=1, stride=1, padding=0
计算过程中，每计算一次（kernel_size），移动一步(stride),
这个过程就是上图公式中的
w
e
i
g
h
t
(
C
o
u
t
,
k
)
∗
i
n
p
u
t
(
N
i
,
k
)
weight(C_{out},k) * input(N_i,k)
weight(Cout,k)∗input(Ni,k),其中k是out_channel的，
如果out_channel个数大于1，则这样的过程会有多次。
入参
- in_channels
Number of channels in the input image
输入的Channel数，对应的是输入数据的倒数第二维 - out_channels
Number of channels produced by the convolution
输出的Channel数，对应输出数据的倒数第二维度 - kernel_size
Size of the convolving kernel
即卷积核长度
它可以是一个数字也可以是一个tuple（但是conv1d下，tuple是否有意义？） - stride
Stride of the convolution. Default: 1
卷积核步长 - padding
Padding added to both sides of the input. Default: 0 - padding_mode
‘zeros’, ‘reflect’, ‘replicate’ or ‘circular’. Default: ‘zeros’ - dilation
Spacing between kernel elements. Default: 1 - groups
Number of blocked connections from input channels to output channels. Default: 1 - bias
If True, adds a learnable bias to the output. Default: True
是否需要bias
输出结果的shape计算
代码举例
1
net = nn.Conv1d(in_channels=1, out_channels=8, kernel_size=4, stride=1, bias=False)
x = torch.linspace(1,10,10).view(1,1,10)
y = net(x)
print(y.shape)
计算结果
torch.Size([1, 8, 7])
2. 修改stride
net = nn.Conv1d(in_channels=1, out_channels=8, kernel_size=4, stride=2, bias=False)
x = torch.linspace(1,10,10).view(1,1,10)
y = net(x)
print(y.shape)
计算结果
torch.Size([1, 8, 4])
3 添加padding
net = nn.Conv1d(in_channels=1, out_channels=8, kernel_size=4, stride=1, padding=1, padding_mode='zeros',bias=False)
x = torch.linspace(1,10,10).view(1,1,10)
y = net(x)
print(y.shape)
计算结果
torch.Size([1, 8, 5])
4 修改dilation
net = nn.Conv1d(in_channels=1, out_channels=8, kernel_size=4, stride=2, dilation=2,bias=False)
x = torch.linspace(1,10,10).view(1,1,10)
y = net(x)
print(y.shape)
计算结果
torch.Size([1, 8, 2])
