一维卷积神经网络nn.Conv1d在【TensorFlow和pytorch】中的实操区别

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())