tensorflow中的解释:
Convolution1D(nb_filter, filter_length, strides, input_shape)
-nb_filter : 卷积核的数量,也是输出的维度
-filter_length : 每个过滤器的长度
-strides: 卷积核移动的步距
-input_shape:输入信号的格式
pyotrch中的解释:
Conv1d(in_channels, out_channels, kernel_size,stride=1, padding=0, dilation=1, groups=1, bias=True)
- in_channels(int)—输入数据的通道数。在文本分类中,即为句子中单个词的词向量的维度。 (word_vector_num)
- out_channels(int)—输出数据的通道数。设置 N 个输出通道数,就有 N 个1维卷积核。(new word_vector_num)
- kernel_size(int or tuple) —卷积核的长度,1维卷积中卷积核的实际大小维度是(in_channels,kernel_size),顺序不可互换。
- stride(int or tuple, optional)—卷积步长。
- padding (int or tuple, optional)—输入的每一条边补充0的层数。
Conv1d模型的卷积核大小是[输入通道数,卷积核的长]
一言顶过千万句
pytorch是横着做卷积的 ,TensorFlow是竖着卷积 !!!
关于一维卷积
每个卷积核产生一维的输出数据
(没有batch_size,参数是共享的)
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
(2条消息) pytorch之nn.Conv1d详解_三世的博客-CSDN博客
# 卷积大小为in_channels*kernel_size, 此处也即 4 * 3 , 每个卷积核产生一维的输出数据,长度与输入数据的长度和stride有关,根据ouotput可知是3,第二个参数2也就卷积核的数量 m = nn.Conv1d(4, 2, 3, stride=2) #第一个维度必须是4 # 第一个参数理解为batch的大小,输入是4 * 9格式 input = torch.randn(1, 4, 9) print(input) output = m(input) print(output) print(output.size())