Pytorch-conv1d

CLASS

---

torch.nn.Conv1d(in_channels: int, out_channels: int, kernel_size: Union[T, Tuple[T]], stride: Union[T, Tuple[T]] = 1, padding: Union[T, Tuple[T]] = 0, dilation: Union[T, Tuple[T]] = 1, groups: int = 1, bias: bool = True, padding_mode: str = ‘zeros’)

参数

---

• in_channels (int) – Number of channels in the input image
• out_channels (int) – Number of channels produced by the convolution
• kernel_size (int or tuple) – Size of the convolving kernel
• stride (int or tuple, optional) – Stride of the convolution. Default: 1
• padding (int or tuple, optional) – Zero-padding added to both sides of the input. Default: 0
• padding_mode (string*,* optional) – 'zeros', 'reflect', 'replicate' or 'circular'. Default: 'zeros'
• dilation (int or tuple, optional) – Spacing between kernel elements. Default: 1
• groups (int, optional) – Number of blocked connections from input channels to output channels. Default: 1
• bias (bool, optional) – If True, adds a learnable bias to the output. Default: True

Shape

---

• 输入：$（N,C_{in},L_{in}）$ $N$ 是 batch size，$C_{in}$ 是输入的通道数量， $L_{in}$ 输入的信号序列的长度。

• 输出：$(N,C_{out},L_{out})$ 其中：
  $$L_{out}=\lfloor \frac{L_{in}+2\times padding-dilation\times (kernel\_size-1)-1}{stride}-1\rfloor$$
  $N$ 是 batch size，$C_{out}$ 是输入的通道数量， $L_{out}$ 输出的信号序列的长度。

Variables

---

conv1d.weight(Tensor) 模型的需要学习的权重的形状大小为：$（out\_channels,\frac{in\_channels}{groups},kernel\_size）$. 该权重的值的话是从均匀分布$\mathcal{U}(-\sqrt{k},\sqrt{k})$采样得到的，其中$k=\frac{groups}{C_{in}\times kernel\_size}$.

conv1d.bias(Tensor) 模型的需要学习的偏置的形状大小为 $out\_channels$. 若 bias是True 的话，那么其值是从均匀分布$\mathcal{U}(-\sqrt{k},\sqrt{k})$采样得到的，其中$k=\frac{groups}{C_{in}\times kernel\_size}$.

自我理解

---

conv1d 可能是针对一维信号的卷积。

如下便可以理解为一个一维信号，通道数量C = 4， 信号序列长度L=6。

1	1	1	1	1	1
2	2	2	2	2	2
3	3	3	3	3	3
4	4	4	4	4	4

然后 batch size N 为多个这样的一维信号，相当于一组这样的信号去做一个minibatch的训练。

假设现有一个这样的信号：

tensor = torch.FloatTensor([[[1,1,1,1,1,1],[2,2,2,2,2,2],[3,3,3,3,3,3],[4,4,4,4,4,4]], [[1,1,1,1,1,1],[2,2,2,2,2,2],[3,3,3,3,3,3],[4,4,4,4,4,4]]])  # shape=torch.Size([2, 4, 6])

这个输入信号的通道数量C = 4， 信号序列长度L=6，batch size N=2。其实就是如上表格的信号。

接着构建一个如下的一个Conv1d的卷积层，输入信号的通道数量$C_{in}=4$，输出信号的通道数量$C_{out}=40$, 卷积核的kernel_size=1.

m = nn.Conv1d(4, 40, 1, stride=1)  # bias.shape=40  weight.shape=torch.Size([40, 4, 1])

然后，调用创建的卷积层。

output = m(tensor)  # shape=torch.Size([2, 40, 6])

如果m = nn.Conv1d(4, 40, 1, stride=1) 的卷积核的kernel_size=2时，根据上图卷积的区域就会变成$4\times 2$，然后在横向的维度移动。