nn.Conv1d(in_channels=c_in, out_channels=d_model, kernel_size=3)的维度转换理解

于 2023-06-07 15:44:20 发布
阅读量259 收藏 4
点赞数 3
文章标签： python 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xxt228/article/details/131088816
版权

本人在项目中经常碰到利用nn.Conv1d实现的全连接层进行维度转化，下面以

nn.Conv1d(in_channels=7, out_channels=512, kernel_size=3, padding=1, padding_mode='circular')
# 96*7——>96*512

为例子介绍维度转化的过程

通常我们首先会将维度转置，然后开始卷积操作
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
最后再转置一下，即可得到结果，实现维度由7到512的转变
在这里插入图片描述

xiyanjoy
关注
  • 3
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
【基础篇】pytorch学习笔记（四）[nn.Conv1d、nn.Conv2d、nn.Conv3d]
scarletteshu的博客
07-25 2873
梳理一下1d,2d,3d卷积的用法 import torch.nn as nn 一、nn.Conv1d 1. 定义 class in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros') 2. 参数解释 参数名 含义 默认值 in_channels(int) 输入信号的通道数, 文本应用中为词向量的维度 - ou.
torch.nn.Conv1d详解
curse_blessing的博客
09-17 4134
CNN+torch.nn.Conv1d
pytorch之nn.Conv1d详解
weixin_41533124的博客
02-22 1773
原文链接：https://blog.csdn.net/liujh845633242/article/details/102668515 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.Co
pytorch之nn.Conv1d和nn.Conv2d超详解
lyj223061的博客
09-21 9651
Conv1d 一般用于文本 nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) 参数解读： in_channels： 输入通道。在文本分类中，即为词向量的维度 out_channels： 卷积产生的通道。有多少个out_channels，就需要多少个1维卷积 kernel_size：卷积核的尺寸(k, in_channels) stride： 卷积步
CNN - nn.Conv1d使用
xu624735206的博客
05-25 2万+
CNN - nn.Conv1d使用一、Conv1d 参数设定二、Conv1d 输入输出以及卷积核维度三、Conv1d 计算过程1. 测试一：in_channels=1, out_channels=12. 测试二：in_channels=1, out_channels=23. 测试三：in_channels=8, out_channels=13. 测试三：in_channels=8, out_channels=2四、Conv1d 在文本中的应用 -- TextCNN 一、Conv1d 参数设定 torch
Pytorch之nn.Conv1d学习个人见解
rothschild666的博客
04-12 1万+
Pytorch之nn.Conv1d学习个人见解 一、官方文档（务必先耐心阅读） 官方文档：点击打开《CONV1D》 二、Conv1d个人见解 Conv1d类构成 class torch.nn.Conv1d(in_channels, out_channels, kernel_size,stride=1, padding=0, dilation=1, groups=1, bias=True) in_channels(int)—输入数据的通道数。在文本分类中，即为句子中单个词的词向量的维度。 （word_vec
对tensorflow中tf.nn.conv1d和layers.conv1d的区别详解
09-17
其输入参数包括`value`（输入张量，形状为[batch, in_width, in_channels]或[batch, in_channels, in_width]，取决于`data_format`）、`filters`（过滤器张量，形状为[filter_width, in_channels, out_channels]），...
关于keras.layers.Conv1D的kernel_size参数使用介绍
09-16
本文将深入探讨`Conv1D`层中的`kernel_size`参数，以及它如何影响模型的构建和功能。 `kernel_size`参数是`keras.layers.Conv1D`中一个非常关键的设置，它决定了卷积核的长度。卷积核是用于在输入数据上滑动并进行...
pytorch中nn.Conv1d的用法详解
09-18
在PyTorch中，`nn.Conv1d`是用于一维卷积操作的模块，它在处理序列数据，如音频信号、时间序列分析或者文本数据时非常有用。本篇文章将详细解析`nn.Conv1d`的用法及其在实际代码中的应用。 一、`nn.Conv1d`的基本...
TensorFlow tf.nn.conv2d_transpose是怎样实现反卷积的
09-17
`，而在反卷积的`tf.nn.conv2d_transpose`中，滤波器形状则变成了 `[filter_height, filter_width, out_channels, in_channels]`，即输出和输入通道的位置互换，这是因为反卷积需要将输出映射回输入的维度。...
【pytorch】nn.conv1d的使用
安安爸Chris的专栏
08-30 3138
官方文档在这里。 conv1d具体不做介绍了，本篇只做pytorch的API使用介绍. torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode=‘zeros’, device=None, dtype=None) 计算公式 输入张量的Shape一般为(N,Cin,L)(N,C_{in}, L)(N,Cin​,L),其中
torch.nn.Conv1d计算过程简易图解
weixin_42410798的博客
04-27 9609
参考： Pytorch 从 0 开始学（6）——Conv2d 详解 - 知乎 (zhihu.com) Conv1d — PyTorch 1.11.0 documentation 本文结合图例说明Conv1d的基本计算过程。 Conv1d torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros',.
pytorch之torch.nn.Conv1D()函数详解
dujuancao11的博客
03-13 1万+
官方文档介绍 https://pytorch.org/docs/master/nn.html#convolution-layers 官网截图 翻译一下再截屏一次 CONV1D https://pytorch.org/docs/master/generated/torch.nn.Conv1d.html#torch.nn.Conv1d 在由多个输入平面组成的输入信号上应用一维卷积。 torch.nn.Conv1d(in_channels, out_channels, kernel
pytorch教程之nn.Module类详解——使用Module类来自定义网络层
热门推荐
MIss-Y的博客
06-16 10万+
前言：前面介绍了如何自定义一个模型——通过继承nn.Module类来实现，在__init__构造函数中申明各个层的定义，在forward中实现层之间的连接关系，实际上就是前向传播的过程。 事实上，在pytorch里面自定义层也是通过继承自nn.Module类来实现的，我前面说过，pytorch里面一般是没有层的概念，层也是当成一个模型来处理的，这里和keras是不一样的。前面...
Pytorch中的Conv1d和Conv3d
a171232886的博客
11-22 2269
Pytorch中的Conv1d和Conv3dConv1dConv3d参考 Conv1d torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros') 和Conv2d处理[N,C,H,W]相比，只是处理处理的数据为[N,C,L]，其余相同。 >>> x = torch.ones([1,5,7]
torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, b
qq_37665306的博客
01-11 6474
torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode=‘zeros’) 卷积核与原图按照左上角对齐的原则进行卷积操作 stride：步幅，卷积核两次卷积左上角点之间的距离；通俗讲就是卷积核每隔几个像素进行一次...
生成基于pytorch的5层的一维cnn，输入大小为1*8，类别数为3
最新发布
05-28
nn.Conv1d(in_channels=1, out_channels=16, kernel_size=3, stride=1, padding=1), nn.BatchNorm1d(16), nn.ReLU(), nn.MaxPool1d(kernel_size=2, stride=2)) self.conv2 = nn.Sequential( nn.Conv1d(in_...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值