nn.Conv1d

1.输入输出

• 输入（Input）：
  • 输入张量的形状应该是 [batch_size, in_channels, input_length]。
  • batch_size 表示每个批次中样本的数量。
  • in_channels 表示输入通道数，即输入特征的数量。
  • input_length 表示输入序列的长度。
• 输出（Output）：
  • 输出张量的形状为 [batch_size, out_channels, output_length]。
  • batch_size 保持与输入相同。
  • out_channels 表示输出通道数，即输出特征的数量。
  • output_length 表示输出序列的长度。

2.计算公式 

其中：

• output_length 是输出的长度。
• input_length 是输入的长度。
• kernel_size 是卷积核的大小。
• padding 是填充大小。
• stride是步长大小。

3.代码 

import torch
import torch.nn as nn

# 定义一个一维卷积层
conv1d = nn.Conv1d(in_channels=3, out_channels=64, kernel_size=5, stride=2, padding=2)

# 创建示例输入数据
# 假设输入序列长度为 100，输入通道数为 3，批次大小为 1
input_data = torch.randn(1, 3, 100)

# 对输入数据进行卷积操作
output_data = conv1d(input_data)

# 输出结果的形状
print("Output shape:", output_data.shape)

 输入为（1，3，100）

输出的 

输出的out_channels=64

所以输出为（1，64，50）