图解nn.Conv1d的具体计算过程

最新推荐文章于 2024-07-03 16:48:58 发布

原创最新推荐文章于 2024-07-03 16:48:58 发布 · 1.1w 阅读

65 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #深度学习 #神经网络

本文详细解析了1维卷积的计算流程，并通过图解形式直观展示输入、卷积核参数及输出之间的关系。使用PyTorch进行代码实现时，需要注意对数据维度的调整以符合框架要求。

部署运行你感兴趣的模型镜像

以下图解了1维卷积的计算过程，特别注意输入、卷积核参数、输出
代码实现：注意pytorch中只能对倒数第2维数据进行卷积，因此传参时要转置一下，将需要卷积的数据弄到倒数第2维,这里将embeding的维度进行卷积，最后一般会在转置过来（没办法，pytorch设计的不太好，这点确实绕了一圈）

# [1,7,5] 卷积 [2，5，3] = [1, 6, 3]
a = torch.ones(1,7,5)
b = nn.Conv1d(in_channels=5, out_channels=3, kernel_size=2)(a.permute(0,2,1))
b = b.permute(0,2,1)#再换过来

输出结果：
tensor([[
[ 0.2780, 0.6589, -0.5446],
[ 0.2780, 0.6589, -0.5446],
[ 0.2780, 0.6589, -0.5446],
[ 0.2780, 0.6589, -0.5446],
[ 0.2780, 0.6589, -0.5446],
[ 0.2780, 0.6589, -0.5446]]])
torch.Size([1, 6, 3])

您可能感兴趣的与本文相关的镜像