torch.nn.Conv1d数学运算解析

[@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：

1. group· 能被 c1· 整除; c2=c1//group
2. 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