卷积中的一些细节

卷积中out_channels实际上就是卷积核的个数，或者叫_num_filters，也就是滤波器的个数

可以用代码表示如下：

    from torch.autograd import Variable
    conv1 = nn.Conv1d(in_channels=256,out_channels = 100, kernel_size = 2)
    input = torch.randn(32, 35, 256)
    # batch_size x text_len x embedding_size -> batch_size x embedding_size x text_len
    input = input.permute(0, 2, 1)
    input = Variable(input)
    out = conv1(input)
    print(out.size())

输入的三个维度分别是：batch_size， in_channels也就是输入通道数=embedding维度，序列长度

输出：

torch.Size([32, 100, 34])
1
在分析这个结果之前先来看一下nn.Conv1d的官方文档

// 可以理解为特征的维度
in_channels – Number of channels in the input image 
//输出的通道数，可以理解为卷积核的数量
out_channels – Number of channels produced by the convolution
// 卷积核的大小，只需要指定卷积方向的大小（因为是一维的）
kernel_size – Size of the convolving kernel
stride – Stride of the convolution
padding – Zero-padding added to both sides of the input
dilation – Spacing between kernel elements
groups – Number of blocked connections from input channels to output channels
bias – If True, adds a learnable bias to the output

再来看输出：torch.Size([32, 100, 34])

输入数据第一维表示batchsize，后边两维和前边的例子一样，不同的是输出，长度变为了34（卷积核大小为2），由于有100个卷积核，故生成了100个feature map

可能还会有一个疑惑，就是感觉100和34位置反过来了，这是因为nn.Conv1d对输入数据的最后一维进行一维卷积，为了将卷积方向设置正确，我们需要将输入序列长度这一维放到最后，即使用permute函数，这样就可以实现一维卷积。

一维卷积的作用

用1x1卷积核，实现降维和升维的操作其实就是channel间信息的线性组合变化，3x3，64channels的卷积核后面添加一个1x1，28channels的卷积核，就变成了3x3，28channels的卷积核，原来的64个channels就可以理解为跨通道线性组合变成了28channels，这就是通道间的信息交互。

注意：只是在channel维度上做线性组合，W和H上是共享权值的sliding window