pytorch之nn.Conv1d详解

原文链接1：https://blog.csdn.net/liujh845633242/article/details/102668515
原文链接2：https://www.jianshu.com/p/a6da4ad8e8e7

class torch.nn.Conv1d(
		in_channels, 
		out_channels, 
		kernel_size, 
		stride=1, 
		padding=0, 
		dilation=1, 
		groups=1, 
		bias=True)

input = torch.randn(50, 300, 35)
conv1 = nn.Conv1d(in_channels=300, out_channels=100, kernel_size=3)
# batch_size x max_sent_len x embedding_size -> batch_size x embedding_size x max_sent_len
print("input:", input.size()) # 50*300*35
output = conv1(input)
print("output:", output.size()) # 50*100*33	因为35-3+1=33

注意卷积中的参数padding_mode:
padding_mode的可选项有4种：‘zero’、‘reflect’、‘replicate’、‘circular’，默认为零填充’zero’

# Input
tensor([[[[ 1.,  2.,  3.,  4.],
          [ 5.,  6.,  7.,  8.],
          [ 9., 10., 11., 12.],
          [13., 14., 15., 16.]]]], requires_grad=True)
# 若padding_mode='circular'	即循环填充
  conv_reflect = torch.nn.Conv2d(1,1,1,1,padding=1,padding_mode='circular',bias=False)
# Output
  tensor([[[[16., 13., 14., 15., 16., 13.],
          [ 4.,  1.,  2.,  3.,  4.,  1.],
          [ 8.,  5.,  6.,  7.,  8.,  5.],
          [12.,  9., 10., 11., 12.,  9.],
          [16., 13., 14., 15., 16., 13.],
          [ 4.,  1.,  2.,  3.,  4.,  1.]]]], grad_fn=<ThnnConv2DBackward>)

输出的结果的来源：
假设将输入矩阵从左到右，从上到下进行无限的重复循环延申，就是如下结果：

然后选取其中的padding=1的部分即为最终结果。