【pytorch】nn.conv1d的使用

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$(N,C_{in},L)$,其中N为batch_size,一般也可用B代替；
$C_{in}$输入张量倒数第二维，表示Channel的数量；
L是输入信号序列的长度；

输出张量的shape一般为$(N,C_{out},L_{out})$, 下一节会介绍怎么计算来的。

公式截图如下，

星号表示卷积运算，torch的运算这里使用的是cross-correlation,即互相关运算。

运算过程

假设输入的序列为 [1,5,7,3,2,1,6,9], 卷积核为[2,4,6,1,3]

那么对应nn.conv1d初始化就是 in_channel=1， out_channel=1, stride=1, padding=0

计算过程中，每计算一次（kernel_size），移动一步(stride),
这个过程就是上图公式中的$weight(C_{out},k)\ast input(N_i,k)$,其中k是out_channel的，
如果out_channel个数大于1，则这样的过程会有多次。

入参

• in_channels
  Number of channels in the input image
  输入的Channel数，对应的是输入数据的倒数第二维
• out_channels
  Number of channels produced by the convolution
  输出的Channel数，对应输出数据的倒数第二维度
• kernel_size
  Size of the convolving kernel
  即卷积核长度
  它可以是一个数字也可以是一个tuple（但是conv1d下，tuple是否有意义？）
• stride
  Stride of the convolution. Default: 1
  卷积核步长
• padding
  Padding added to both sides of the input. Default: 0
• padding_mode
  ‘zeros’, ‘reflect’, ‘replicate’ or ‘circular’. Default: ‘zeros’
• dilation
  Spacing between kernel elements. Default: 1
• groups
  Number of blocked connections from input channels to output channels. Default: 1
• bias
  If True, adds a learnable bias to the output. Default: True
  是否需要bias

输出结果的shape计算

代码举例

1

net = nn.Conv1d(in_channels=1, out_channels=8, kernel_size=4, stride=1, bias=False)
x = torch.linspace(1,10,10).view(1,1,10)

y = net(x)
print(y.shape)

计算结果

torch.Size([1, 8, 7])

2. 修改stride

net = nn.Conv1d(in_channels=1, out_channels=8, kernel_size=4, stride=2, bias=False)
x = torch.linspace(1,10,10).view(1,1,10)

y = net(x)
print(y.shape)

计算结果

torch.Size([1, 8, 4])

3 添加padding

net = nn.Conv1d(in_channels=1, out_channels=8, kernel_size=4, stride=1, padding=1, padding_mode='zeros',bias=False)
x = torch.linspace(1,10,10).view(1,1,10)

y = net(x)
print(y.shape)

计算结果

torch.Size([1, 8, 5])

4 修改dilation

net = nn.Conv1d(in_channels=1, out_channels=8, kernel_size=4, stride=2, dilation=2,bias=False)
x = torch.linspace(1,10,10).view(1,1,10)

y = net(x)
print(y.shape)

计算结果

torch.Size([1, 8, 2])