torch.nn.Conv1d()----pytorch与一维卷积

nn.Conv1d()源代码翻译与解读：

源链接：https://pytorch.org/docs/stable/generated/torch.nn.Conv1d.html?highlight=conv1d#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)

对由多个输入平面组成的输入信号应用一维卷积。

在最简单的情况下，输入尺寸($N$,$C_{in}$,$L$)，输出尺寸($N$,$C_{in}$,$L$)，表达式如下：

其中星号表示valid coss-correlation运算符，N表示batch size，C表示channel的数目，L表示信号序列的长度。

这个模块支持TensorFloat32。

stride	控制cross-correlation的步长(stride)，一个数字或者one-element元组
padding	控制应用于输入的填充量(padding)，它可以是字符串{‘valid’，‘same’}，也可以是一个int元组，给出应用于两边的隐式填充的数量
dilation	控制内核点之间的间距，也被称为a-trous算法，这很难描述，这个链接(打不开也不着急，我后面会详细读过这篇文章，将重要内容写到博客里。)解释了膨胀的作用。
groups	控制输入和输出之间的连接，in_channels和out_channels必须都能被groups整除。

举例子：

• groups=1,all inputs are convolved to all outputs。
• groups=2,该操作等价于有两个并行的conv层，每个层看到一半的输入通道，产生一半的输出通道，然后两者连接起来。
• groups=in_channels,each input channel is convolved with its own set of filters(of size $out\_channels/in\_channels$)

图解计算过程

假设输入特征维度是【B,C,T】，B=4，C=3，T=4
要求输出通道数量为3
黄色蓝色红色三个kernel构成Filter，在时间维度上移动。