官方文档在这里。

conv1d具体不做介绍了，本篇只做pytorch的API使用介绍.

torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode=‘zeros’, device=None, dtype=None)

计算公式

输入张量的Shape一般为(N,Cin,L)(N,C_{in}, L)(N,Cin,L),其中N为batch_size,一般也可用B代替；
CinC_{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,Cout,Lout)(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，

星号表示卷积运算，torch的运算这里使用的是cross-correlation,即互相关运算。

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weight(Cout,k)∗input(Ni,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])

【pytorch】nn.conv1d的使用相关推荐

pytorch nn.Conv1d
一维卷积nn.Conv1d一般用于文本数据 1.应用 import torch import torch.nn as nnx = torch.randn(1, 1, 32) # batch, chan ...
PyTorch中的nn.Conv1d与nn.Conv2d
本文主要介绍PyTorch中的nn.Conv1d和nn.Conv2d方法,并给出相应代码示例,加深理解. 一维卷积nn.Conv1d 一般来说,一维卷积nn.Conv1d用于文本数据,只对宽度进行卷积 ...
Pytorch之nn.Conv1d学习个人见解
Pytorch之nn.Conv1d学习个人见解一.官方文档(务必先耐心阅读) 官方文档:点击打开<CONV1D> 二.Conv1d个人见解 Conv1d类构成 class torch.n ...
【Pytorch】torch.nn.Conv1d()理解与使用
官方文档:https://pytorch.org/docs/stable/generated/torch.nn.Conv1d.html?highlight=nn%20conv1d#torch.nn.C ...
pytorch笔记（四）nn.Conv1d、nn.Conv2d、nn.Conv3d
概念: nn.Conv1d:常用在文本 (B,C,L) (batch,channel,sequence_len) (批数量,通道数,句子长度) nn.Conv2d:常用在图像 (B,C,H,W) (b ...
pytorch —— nn网络层 - 卷积层
目录 1.1d/2d/3d卷积 2.卷积-nn.Conv1d() 2.1 Conv1d的参数说明 2.2 例子说明 3.卷积-nn.Conv2d() 3.1 深入了解卷积层的参数 4.转置卷积-nn. ...
根据PyTorch学习CONV1D
新手刚学习卷积,不知道理解的有没有问题,如果有问题劳烦大家指出. 1. PyTorch中的torch.nn.Conv1d()函数官方文档链接 torch.nn.Conv1d(in_channels, ...
NLP中的卷积操作详解（torch.nn.Conv1d)
NLP领域中,由于自然文本是一维的,通常使用一维卷积即可达到要求. 在实际应用中,经embedding层处理后的数据格式一般为(batch_size, word_embeddings_dim, max ...
pytorch nn.Embedding
pytorch nn.Embedding class torch.nn.Embedding(num_embeddings, embedding_dim, padding_idx=None, max_n ...

【pytorch】nn.conv1d的使用

计算公式

运算过程

入参

输出结果的shape计算

代码举例

1

2. 修改stride

3 添加padding

4 修改dilation

【pytorch】nn.conv1d的使用相关推荐

最新文章

热门文章