pytorch中的一维、二维、三维卷积操作

卷积操作就是就是利用滑动窗口机制对数据进行互相关运算来提取特征。

一维卷积

一维卷积用于处理序列数据，输入之前一般会对每个序列元素进行编码，这样得到的输入序列的格式应该是[batch_size, seq_len, embedding_size],这里的embedding_size相当于通道数一样的概念。所以在处理之前一般会进行permute(0,2,1)将输入的格式转换为[batch_size, embedding_size, seq_len]将embedding_size作为中间层来作为通道数来作为一维卷积的输入。

eg：

self.conv1 = nn.Conv1d(in_channels=n_feature, out_channels=n_feature, kernel_size=1,
                       stride=1,padding=0, dilation=1, groups=1,
                       bias=True, padding_mode='zeros')

二维卷积

二维卷积是最早提出的卷积操作，用于对高维数据的处理，二维卷积的输入为[batch_size, channel_num, H, W]。

PS：在python中通常使用cv2函数来读取图片，读取的格式为[H,W,C],使用torchvision.transforms. ToTensor()可以将cv2读取的图片转换为pytorch中使用的格式[C,H,W]。