Pytorch之nn.Conv1d学习个人见解

rothschildlhl

已于 2022-04-20 14:07:01 修改

阅读量1.1w

点赞数 40

分类专栏：人工智能 python 文章标签： python pytorch nn conv1d conv2d

于 2022-04-12 21:10:33 首次发布

本文链接：https://blog.csdn.net/rothschild666/article/details/124127319

版权

本文深入解析Pytorch中的nn.Conv1d，包括官方文档解读、Conv1d参数详细解释、与Conv2d的区别，并通过案例分析卷积过程及输出数据集的变化。适合了解1维卷积在网络中的应用。

摘要由CSDN通过智能技术生成

Conv1d类构成

class torch.nn.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。
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。

具体案例分析

原始数据集说明：6批句子（batch_size），每批句子5个单词（sentence_word_num），每个单词的词向量为3维通道（word_vector_num），数据集的维度表示为 [6,5,3] 。
模型输入数据集说明：在上步原始数据集中进行维度转换，6批句子（batch_size），每个单词的词向量为3维通道（word_vector_num），每批句子5个单词（sentence_word_num），数据集的维度表示为 [6,3,5] 。（注意：为什么需要维度转换呢？因为Conv1d模型的卷积核大小是[输入通道数，卷积核的长]，那么数据集和卷积核的点积运算必须维度都一致）
Conv1d模型参数说明：输入通道数设定为3（数量等同 word_vector_num ），输出通道数设定为8（数量表示new word_vector_num），卷积核的长设定为2。
Conv1d模型权重参数（W）维度则根据上步自动生成为 [8,3,2] ,表示 [输出通道数,输入通道数,卷积核的长]，又因为卷积核等同表示 [输入通道数,卷积核的长]，输出通道数等同表示卷积核的个数，则总而言之，此模型权重参数的维度表示：有8个大小为[3,2]的卷积核去对输入数据做卷积运算。
卷积过程中的数据计算说明（非常重要）：模型输入数据是一个深度为6长为3宽为5的三维数据，卷积核长为3宽度为2的