pytorch中一维卷积，二维卷积，三维卷积，层次特征注意力

一维卷积

一维卷积操作常用作文本数据或者序列数据的处理。这里以文本数据为例进行讲解。

下图左边是一个文本矩阵，是将这句话‘I like this movie very much!’转换为计算机可以处理的语言。对于宽度，可以认为是词向量的维度，高度可以表示为这个句子的最大长度，从这里可以明白卷积核必须只在高度上进行移动，因为在宽度上移动没有什么含义，在高度上进行卷积，可以判别每个单词之间的联系。然后继续看下图，左边生成了6个卷积核，每个卷积核的高度上的大小分别为2，3，4，这里也可以进一步看出每一个卷积核的宽度都等于词向量的维度。经过1维卷积之后得到了6个特征图，然后对每个特征图进行1维最大池化

import torch
from torch import nn

#卷积核的输入维度代表着词向量的维度，输入维度代表有多少个卷积核，kernel_size代表一次处理几个单词
conv1 = nn.Conv1d(in_channels=256, out_channels=100, kernel_size=3,padding=1)
#生成三维张量，第一个维度代表的是批大小，第二个维度代表句子的长度，第三个维度代表词向量的维度
input = to