【基础篇】pytorch学习笔记（四）[nn.Conv1d、nn.Conv2d、nn.Conv3d]

最新推荐文章于 2025-03-22 10:49:04 发布

ykszd71

最新推荐文章于 2025-03-22 10:49:04 发布

阅读量3k

点赞数 3

分类专栏： python 文章标签：卷积 python 卷积神经网络 Pytorch 深度学习

本文链接：https://blog.csdn.net/scarletteshu/article/details/107577922

版权

本文详细介绍了PyTorch中的1D、2D和3D卷积操作，包括nn.Conv1d、nn.Conv2d和nn.Conv3d的定义、参数解释、输入输出格式，并通过实例展示了卷积层在图像处理中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

梳理一下1d,2d,3d卷积的用法
import torch.nn as nn

一、nn.Conv1d

1. 定义

class in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros')

2. 参数解释

参数名	含义	默认值
in_channels(int)	输入信号的通道数, 文本应用中为词向量的维度	-
out_channels(int)	卷积产生的通道，卷积核数	-
kernel_size(int or tuple)	卷积核尺寸（实际为kernel_size * in_channel）	-
stride(int or tuple, optional)	步长	1
padding (int or tuple, optional)	输入两侧0补充的层数	0
dilation(int or tuple, optional)	卷积核元素之间的间距	1
groups(int, optional)	从输入通道到输出通道的阻塞连接数	1
bias(bool. optional)	true为添加偏置	True
padding_mode (string, optional)	‘zeros’, ‘reflect’, ‘replicate’ or ‘circular’	‘zeros’

3. 输入输出格式
输入：(batch_size, word_vector, sequence_len),即(N, C_in, L_in)
输出：(N, C_out, L_out)
L_out ={ [ L_in + 2 x padding - dilation x (kernel_size - 1) -1] / stride }+1

默认情况下：L_out = L_in - kernel_size + 1

5. 示例
(batch_size, 256, 35)
在这里插入图片描述

conv1 = nn.Conv1d(in_channels=256，out_channels=100,kernel_size=2)

#批大小为32，句子的最大长度为35，词向量维度为256， 32*35*256
input = torch.randn(32,35,256)
#因为一维卷积是在最后维度上扫，所以做如下转换<

最低0.47元/天解锁文章