【声纹基础】TDNN怎么用的一维卷积？

代码：https://github.com/DURUII/Course-Voiceprint-Repo-1.0

时延神经网络（TDNNs）常用于声纹识别领域，例如著名的X-VECTOR基础结构就是TDNNs；它可以视作一维卷积神经网络¹（1-d CNNs），甚至有人认为TDNNs是CNNs/LeNet-5的早期版本。

计算机视觉盛行的如今，数字图像处理中二维卷积（空域滤波/模版运算/互相关运算²）对于我们而言也不再陌生，无非就是中心数值等于按元素相乘后再相加嘛。

可是，到底如何理解一维卷积？它和二维卷积又有什么联系？
不妨通过实验，一探究竟。

单输入通道/单输出通道

预期结果

首先，我们暂时忽略通道。假定输入为$[1,2,-1,1,-3]$，核函数为$[1,0,-1]$（卷积核是一维的，移动方向也自然是一维的），如果卷积核在输入向量上移动，请问结果是多少呢？可以看看我有没有算错。
顺带一提，这里输入是一行五列的矩阵。不过换一个角度，我们也可以认为每次输入的是3帧信息，并按照某种权重加和汇入1个新帧。

这里的3是卷积核尺寸($kernelsize$)，从共享参数的全连接输入的角度说，3也是上下文所涵盖的范围, ( n − 1 , n + 1 )   o r   { n − 1 , n , n + 1 } (n-1,n+1) \ or \ \{n-1, n, n+1\} (n−1,n+1) or { n−1,n,n+1}。

参考代码

# 输入
import torch.nn as nn
from torch.nn import Parameter
import torch.nn.functional as F
import torch
import numpy as np
import math

input = torch.tensor([
    [[1, 2, -1, 1, -3], ]
], dtype=torch.float)

conv1d = nn.Conv1d(in_channels=1,
                   out_channels=1,
                   kernel_size=3,
                   stride=1,
                   padding=0,
                   dilation=1,
                   bias=Fa