一维卷积的详细计算过程展示及多维张量应该如何理解

#!usr/bin/env python
# -*- coding:utf-8 _*-
"""
@author:cong
@time: 2024/08/15
@project: Movement_Classification
@theme:test_conv1d 
"""
import torch
from torch import nn
data = torch.ones((4,4,4))*2
data[0,0] = torch.tensor([1,2,3,4])
conv = nn.Conv1d(in_channels=4, out_channels=1, kernel_size=3, padding=0,bias=False)
with torch.no_grad():
    conv.weight = nn.Parameter(torch.ones((1,4,3)))

    output = conv(data)


w = conv.weight[0,0]
x= data[0,0][:3]
y = w*x

卷积的输出通道是多少，代表会产生多少个特征图；

1. 张量的基本概念

• 标量（0D Tensor）：一个单一的数值，例如 5 或 3.14。
• 向量（1D Tensor）：一组有序的数值，可以看作一维数组，例如 [1, 2, 3]，这是一个一维张量。
• 矩阵（2D Tensor）：一组二维的数值表，例如 [[1, 2], [3, 4], [5, 6]]，这是一个二维张量。
• 三维张量（3D Tensor）：一组三维的数据，可以看作多张矩阵的集合。每一个维度都有多个元素。

2. 三维张量的结构

三维张量可以理解为包含多个矩阵的集合，这些矩阵堆叠在一起。三维张量的形状通常表示为 (D1, D2, D3)，其中：

• D1 表示张量在第一个维度上的大小（或深度），即有多少个矩阵。
• D2 表示张量在第二个维度上的大小（或行数），即每个矩阵有多少行。
• D3 表示张量在第三个维度上的大小（或列数），即每个矩阵有多少列。