[@TOP] torch.nn.Conv1d数学运算解析
用于信号故障诊断的研究记录
测试代码
import torch
signal = torch.ones([2, 3, 5], dtype=torch.float)
weight = torch.ones([3, 1, 3], dtype=torch.float)
signal[0,0,:] = 3
weight[1,:,:] = 9
out = torch.nn.functional.conv1d(signal.permute(0,1,2), weight, stride=1, padding=1, groups=3)
print(‘out shape:’, out.shape)
print(out)
数据维度定义
signal.shape: [b1, c1, w1]
weight.shape: [b2, c2, w2]
group = 1模式(常规卷积模式)
b1
:表示数据批次,等效于在一个(for i in b1)循环内对signal[index, :, :]
进行卷积。
( w2<w1)卷积核大小和对应padding的设置和原理,请查其他资料。
此时
需要满足: c2 = c1
b1
可以是任意数,它将成为输出张量的 通道数
。
group = c1模式(可分离卷积模式)
此时需要满足:
group· 能被 c1· 整除
;c2=c1//group
b2 = c1的整数倍
(这里不够严谨,这个数倍和group有关)
( > 原理:c2*goup=c1
)
同样,输出 shape=[b1, b2, w]
w取决于padding和stride