详解torch.nn.conv1d

首先明白一个概念：
一维卷积不代表卷积核只有一维，也不代表被卷积的feature也是一维。一维的意思是说卷积的方向是一维的。

补充：卷积层实际上是计算的相关，并没有翻折的操作，不是数学意义上的卷积。

1. 几个问题：
一维卷积的是在哪个维度进行？

一维卷积核的大小？

out_channel是指什么？怎么变换的？

2. conv1d定义

参数：

• in_channels(int) – 输入信号的通道。在文本分类中，即为词向量的维度C_in
• 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，即用多少个卷积核。
• 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
• padding (int or tuple, optional)- 输入的每一条边补充0的层数
• dilation(int or tuple, `optional``) – 卷积核元素之间的间距
• 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

维度：

3.在哪个维度移动的

定义输入的大小为(batch_size,in_channel,length)

可以肯定的是卷积核是在最后一个维度移动的，例如上图的一维信号是卷积核从左往右进行卷积的。

然而卷积核的大小为多少呢？右上下图可知，卷积核大小为（in_channel * kernel_size），一般一维信号的卷积核大小就为(1*kernel_size)。

一维卷积不是指卷积核是一维的，而是在一个维度进行卷积。

4.out_channel

从输入到输出的过程中，通道数经常在发生改变，而out_channel是什么呢？

out_channel就是同时用多少个卷积核去卷同一个区域。

5.代码示例
示例1：

input1 = torch.randn(20, 16, 50) # torch.Size([20, 16, 50])
m = nn.Conv1d(16, 33, 3, stride=2) # Conv1d(16, 33, kernel_size=(3,), stride=(2,))
output = m(input1) # torch.Size([20, 33, 24])
 

验证Shape中conv1d 关于输出Lout的公式：Lout =⌊50+20 - 1(3-1) -1⌋/2 + 1 = 24

示例2：

import torch
import torch.nn as nn
 
# 卷积大小为kernel_size*in_channels, 此处也即 3 * 4, 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())

输出如下：

tensor([[[-0.2105, -1.0958, 0.7299, 1.1003, 2.3175, 0.8186, -1.7510, -0.1925, 0.8591],
[ 1.0991, -0.3016, 1.5633, 0.6162, 0.3150, 1.0413, 1.0571, -0.7014, 0.2239],
[-0.0658, 0.4755, -0.6653, -0.0696, 0.3483, -0.0360, -0.4665, 1.2606, 1.3365],
[-0.0186, -1.1802, -0.8835, -1.1813, -0.5145, -0.0534, -1.2568, 0.3211, -2.4793]]])

tensor([[[-0.8012, 0.0589, 0.1576, -0.8222],
[-0.8231, -0.4233, 0.7178, -0.6621]]], grad_fn=)

torch.Size([1, 2, 4])

第一个卷积核进行如下操作：

得到输出1*4的输出：

[-0.8012, 0.0589, 0.1576, -0.8222]

第二个卷积核进行类似操作：

得到输出1*4的输出：

[-0.8231, -0.4233, 0.7178, -0.6621]

合并得到最后的2*4的结果：

输入的input为 4 * 9 ，输出为 2 * 4。

验证Shape中conv1d 关于输出Lout的公式：Lout =⌊ 9+20 - 1(3-1) -1⌋/2 + 1 = 4

参考：
pytorch之nn.Conv1d详解
torch.nn.Conv1d详解