傻瓜式讲解Conv1D家族-系列1-Conv1d

========================= 这篇博客主要是讲解 Conv1d =======================

处理一维数据如文本或者语音时，需要用到一维卷积，综合网上各种资料和自己的理解，尽可能傻瓜式的说明Conv1d的过程，从而说明  ConvTranspose1d的运算过程，并且用 Pytorch验证。

Pytorch 的 Conv1d 的官方文档:

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

 

废话不多说！

•  

import torch import torch.nn as nn   k = 3 conv2 = nn.Conv1d(in_channels=1, out_channels=1, kernel_size=k, stride = 1, padding = 0 , bias = False) conv2.weight.data = torch.ones(1,1,k) x = torch.ones(1, 1, 4)   print('=====conv=====') for name, l in conv2.named_parameters():     print('{}={}'.format(name, l.data))   x4 = conv2(x) print(x4)

 

上面是一个输入为 [x1, x2, x3, x4] = [1,1,1,1] 的信号，卷积核是 [w1,w2,w3] = [1,1,1]，stride = 1，没有 padding 和 bias。计算流程：

输入	1(x1)	1(x2)	1(x3)	1(x4)
卷积核和输入信号的第1次运算	1(x1 * w1)	1(x2 * w2)	1(x3 * w3)		第1次输出:∑=3
卷积核和输入信号的第2次运算		1(x2 * w1)	1(x3 * w2)	1(x4 * w3)	第2次输出:∑=3

所以上述 x4 = [3,3],pytorch 验证结果如下：

 

• 假设上述其他代码不变，但是 padding = 1，只修改上述一行代码：

conv2 = nn.Conv1d(in_channels=1, out_channels=1, kernel_size=k, stride = 1, padding = 1 , bias = False)

计算流程如下：

输入	0(padding)	1(x1)	1(x2)	1(x3)	1(x4)	0(padding)
卷积核和输入信号的第1次运算	0 (0 * w1)	1(x1 * w2)	1(x2 * w3)				第1次输出:∑=2
卷积核和输入信号的第2次运算		1(x1 * w1)	1(x2 * w2)	1(x3 * w3)			第2次输出:∑=3
卷积核和输入信号的第3次运算			1(x2 * w1)	1(x3 * w2)	1(x4 * w3)		第3次输出:∑=3
卷积核和输入信号的第4次运算				1(x3 * w1)	1(x4 * w2)	0(0 * w3)	第4次输出:∑=2

所以上述 x4 = [2,3,3,2],pytorch 验证结果如下：

 

• 假设上述代码保持不变，但是 stride = 2 ，只修改上述一行代码：

conv2 = nn.Conv1d(in_channels=1, out_channels=1, kernel_size=k, stride = 2, padding = 1 , bias = False)

 

输入	0(padding)	1(x1)	1(x2)	1(x3)	1(x4)	0(padding)
卷积核和输入信号的第1次运算	0 (0 * w1)	1(x1 * w2)	1(x2 * w3)				第1次输出:∑=2
卷积核和输入信号的第2次运算			1(x2 * w1)	1(x3 * w2)	1(x4 * w3)		第2次输出:∑=3

所以上述 x4 = [2,3],pytorch 验证结果如下：

 

 

码字儿不易，Buy Me A Coffee(好押韵~~~~~)