如何分析pytorch的一维卷积nn.Conv1d

如何分析pytorch的一维卷积nn.Conv1d，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。

“专业、务实、高效、创新、把客户的事当成自己的事”是我们每一个人一直以来坚持追求的企业文化。 成都创新互联是您可以信赖的网站建设服务商、专业的互联网服务提供商! 专注于做网站、成都做网站、软件开发、设计服务业务。我们始终坚持以客户需求为导向，结合用户体验与视觉传达，提供有针对性的项目解决方案，提供专业性的建议，创新互联建站将不断地超越自我，追逐市场，引领市场！

 torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

• in_channels(int) – 输入信号的通道。在文本分类中，即为词向量的维度

• out_channels(int) – 卷积产生的通道。有多少个out_channels，就需要多少个1维卷积

• kernel_size(int or tuple) - 卷积核的尺寸，卷积核的大小为(k,)，第二个维度是由in_channels来决定的，所以实际上卷积大小为kernel_size*in_channels

• stride(int or tuple, optional) - 卷积步长，默认为1

• padding (int or tuple, optional)- 输入的每一条边补充0的层数，默认为0

• dilation(int or tuple, `optional``) – 卷积核元素之间的间距，默认为1

• groups(int, optional) – 从输入通道到输出通道的阻塞连接数

• bias(bool, optional) - 如果bias=True，添加偏置

在一维卷积里，输入维度是这样的[batch_size,seq_len,input_size]，其中第一维seq_len充当n_channels的角色，但在进行一维卷积之前必须交换seq_len和input_size的顺序，所以会是[batch_size，input_size，seq_len]，所以第一维input_size充当n_channels的角色。而卷积发生在最后一维上，所以实际上input_size应该等于卷积中的in_channels，而seq_len则实际参与计算，计算后的结果根据以下公式：

seq_len = ((seq_len + 2 * m.padding[0] - m.dilation[0] * (m.kernel_size[0] - 1) - 1) / m.stride[0] + 1)

举个例子：

conv1 = nn.Conv1d(in_channels=256，out_channels=100,kernel_size=2)
input = torch.randn(32,35,256)
# batch_size x text_len x embedding_size -> batch_size x embedding_size x text_len
input = input.permute(0,2,1)
out = conv1(input)
print(out.size())

 这里32为batch_size，35为句子最大长度，256为词向量。

再输入一维卷积的时候，需要将32*35*256变换为32*256*35，因为一维卷积是在最后维度上扫的，最后out的大小即为：32*100*（35-2+1）=32*100*34

关于如何分析pytorch的一维卷积nn.Conv1d问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注创新互联行业资讯频道了解更多相关知识。