CONV1D详解

CONV1D

官网: https://pytorch.org/docs/stable/generated/torch.nn.Conv1d.html#torch.nn.Conv1d

torch.nn.Conv1d(
	in_channels, 
	out_channels,
	kernel_size, 
	stride=1, 
	padding=0, 
	dilation=1, 
	groups=1, 
	bias=True, 
	padding_mode='zeros', 
	device=None, dtype=None)

torch.nn.Conv1d(in_channels,       "输入图像中的通道数"
                out_channels,      "卷积产生的通道数"
                kernel_size,       "卷积核的大小"
                stride,            "卷积的步幅。默认值：1"
                padding,           "添加到输入两侧的填充。默认值：0"
                dilation,          "内核元素之间的间距。默认值：1"
                groups,            "从输入通道到输出通道的阻塞连接数。默认值：1"
                bias,              "If True，向输出添加可学习的偏差。默认：True"
                padding_mode       "'zeros', 'reflect', 'replicate' 或 'circular'. 默认：'zeros'"
                )

例子：

一维卷积输入(N1,C1,L1)输出(N2,C2,L2)理解：

• N1：表示输入的样本数，即输入数据中有多少个样本。
• C1：表示输入的通道数，也就是输入数据的特征图数量。
• L1：表示输入数据的长度或者序列长度，可以理解为输入数据在时间轴上的长度（如果是时序数据）、在空间轴上的长度（如果是空间数据）等。
• N2：表示输出的样本数，与输入样本数N1有可能不同。
• c2：表示输出的通道数，也就是输出数据的特征图数量。
• L2：表示输出数据的长度或者序列长度，在一维卷积中通常会根据输入数据的长度、卷积核大小和填充来计算得到。

输出通道数指的设卷积核的数量.

例子：对于输入（20,16,50），输出（20,33,24）其卷积核的大小为(33 16 3)

20,16,50），输出（20,33,24）其卷积核的大小为(33 16 3)

其中说明有33个卷积核每一个卷积核的大小为16x3.可以看到batch的数量是永远不会变的。