图解nn.Conv1d的具体计算过程

最新推荐文章于 2025-04-28 16:07:48 发布
原创 最新推荐文章于 2025-04-28 16:07:48 发布 · 1.1w 阅读 · 63 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
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。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

  1. 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
    在这里插入图片描述

  2. 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])

pytorch笔记（四）nn.Conv1d、nn.Conv2d、nn.Conv3d
_yuki_
08-17 6833
概念： nn.Conv1d:常用在文本 (B,C,L) (batch,channel,sequence_len) （批数量，通道数，句子长度） nn.Conv2d:常用在图像 (B,C,H,W) (batch,channel,height,width) （批数量，通道数，高度，长度） nn.Conv3d:常用在（时序）帧图像 (B,C,D,H,W) (batch,channel,depth,height,width) （批...
torch.nn.Conv1d计算过程简易图解
weixin_42410798的博客
04-27 1万+
参考： Pytorch 从 0 开始学（6）——Conv2d 详解 - 知乎 (zhihu.com) Conv1d — PyTorch 1.11.0 documentation 本文结合图例说明Conv1d的基本计算过程。 Conv1d torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros',.
图解一维卷积(Conv1d, TDNN)计算中维度变化
axyzstra 的博客
07-03 1873
有如下输入：表示 298 个时间帧，每个时间帧有 80 个维度的输入；
【Torch】nn.Conv1d、nn.Conv2d、nn.Conv3d算法详解
zkw54334的博客
04-28 1878
输入张量 形状：输出张量 形状： 表示向下取整 当 、 且想让 时，令 且 应为奇数。 1.3 构造函数入参详解 参数 类型 说明 int 输入通道数，必须与输入张量的第二维度匹配。 int 输出通道数，即卷积核数量，也决定了输出张量的通道数。 int 或 1-tuple 卷积核大小。单个整数表示每次跨越 个位置；也可写成 。 int 或 1-tuple 步幅：卷积核每次滑动的长度；默认为 1。 int 或 1-tuple 边界补零数；默认为 0。可用
PyTorch torch.nn.Conv1d计算过程理解
Misdirection
02-27 1115
点云的深度学习里面经常用到一维卷积，看了很多讲解的文章，但还是感觉摸不透，索性直接尝试手动复现 Conv1d 的计算过程。
conv1d 计算
weixin_53051863的博客
06-30 442
conv1d参数 conv1d计算 的 其中dilation默认值为1
CONV1D一维卷积神经网络运算过程（举例：n行3列➡n行6列）
养乐多的博客
09-02 2万+
假设我们现在有 n 行，3列数据。n 行可以是 n 个点，也可以是 n 个样本数据。3列可以视为3列特征，即特征向量。具体过程就是让每一行数据点乘一个卷积核，得到一个数，6个卷积核就是6个数，这样就把一个点的3列变成了6列。然后逐行遍历每个点，就可以得到新的得分矩阵。一维卷积的运算过程网上很多人说不清楚，示意图画的也不清楚。因此，本人针对一维卷积的过程，绘制了计算过程，以我的知识量解释一下 pytorch 中 Conv1d() 函数的机理。从6列变成12列，就点乘12个卷积核。③、第n行数据参与卷积。
Conv1d 计算与b格应用心得
w55100的博客
08-03 4228
网上找不到一篇讲的比较好的中文稿件。只好自己动手了。 最后附带了个人心得。 下述代码为torch 1.0版本实现。 目录 一、基本运算介绍 二、一个简单版本的一维卷积 1.定义input 2.定义filter 3.做一维卷积运算 4.代码实现 三、一个扩展的一维卷积示例 四、其他话 ①有些文章把kernel_size=len_seq时的1-d conv称为full c...
pytorch 计算ConvTranspose1d输出特征大小方式
12-17
在给定的示例中，我们有两个`nn.Conv1d`层（conv1 和 conv2）以及一个`nn.ConvTranspose1d`层（dconv1）。我们首先计算 conv1 和 conv2 的输出特征大小，然后使用这些信息来确定 dconv1 的参数以得到特定的输出尺寸...
conv3d源码 pytorch_PyTorch中的nn.Conv1d与nn.Conv2d
weixin_39625975的博客
01-17 397
本文主要介绍PyTorch中的nn.Conv1d和nn.Conv2d方法，并给出相应代码示例，加深理解。一维卷积nn.Conv1d一般来说，一维卷积nn.Conv1d用于文本数据，只对宽度进行卷积，对高度不卷积。通常，输入大小为word_embedding_dim * max_length，其中，word_embedding_dim为词向量的维度，max_length为句子的最大长度。卷积核窗口在...
Pytorch中的卷积操作——nn.Conv2d, nn.ConvTranspose2d
nyz5211314的博客
06-16 1565
前言 pytorch中用nn.Module实现卷积操作总共有3种Conv1d, Conv2d, Conv3d 而这三种方式只是卷积核在不同的维度上进行卷积的结果，基本参数一致，这里以Conv2d为例进行介绍。 nn.Conv2d(in_channels, out_ channels, kernel_ size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode=’ zeros’ ) 功能：对多个二维信号进行二维卷积 主要参数
【pytorch】一维卷积计算的理解-nn.Conv1d
keep用心的博客
06-15 1528
pytorch conv1d的理解
torch.nn.Conv1d图文解析
家鸽的代码屋
04-13 2096
nn.Conv1d 一维卷积解析 对于一维卷积，我们可能以为是一个一维的卷积核在一条线上做卷积，但是这种理解是错的，一维卷积不代表卷积核只有一维，也不代表被卷积的feature也是一维。一维的意思是说卷积的方向是一维的。 Example: conv1 = nn.Conv1d(in_channels=256,out_channels = 100, kernel_size = 2) input = torch.randn(32, 35, 256) # batch_size x text_len x embedd
pytorch中Conv1d、Conv2d与Conv3d详解
热门推荐
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
12-01 3万+
CNN是深度学习的重中之重，而conv1D，conv2D，和conv3D又是CNN的核心，所以理解conv的工作原理就变得尤为重要。
一维卷积 以例子说明 tf.nn.conv1d 矩阵运算过程
Aka_Happy的博客
03-26 2718
这几天在看代码，然后看网上关于一维卷积介绍的文档很多，但是对于tf.nn.conv1d 矩阵运算过程几乎没有介绍，这里我就将刚弄懂的写出来，希望能帮到大家理解这个函数，也为了让自己以后能更好的查阅~~ conv1d(value, filters, stride, padding, use_cudnn_on_gpu=None, data_format=None, name=None) valu...
torch.nn.Conv1d，torch.nn.Conv2d和torch.nn.Conv3d的应用和相关计算
comli_cn的博客
01-13 2142
1. torch.nn.Conv1d和MaxPool1d Conv1d()函数就是利用指定大小的一维卷积核对输入的多通道一维输入信号进行一维卷积操作的卷积层。 因为卷积神经网络一般用来处理图片数据，常使用torch.nn.Conv2d，所以torch.nn.Conv1d不太常见，但事实上卷积神经网络也是可以处理非图片的一维数据的。 用MaxPool1d只对输入的最后一维进行最大池化，用MaxPool2d会对输入的最后两维都进行最大池化。 ...
NLP中的卷积操作详解（torch.nn.Conv1d)
zyk9916的博客
05-20 2176
NLP领域中，由于自然文本是一维的，通常使用一维卷积即可达到要求。 在实际应用中，经embedding层处理后的数据格式一般为(batch_size, word_embeddings_dim, max_length)，共三个维度。 CLASStorch.nn.Conv1d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True,padding_mode='zeros')...
pytorch中nn.Conv1d功能介绍
qq_26545507的博客
09-02 1425
output_channel=4，即由四个卷积核，每个卷积核的通道数和输入的通道数相同，这里是3，如图2所示，第一个元素'abc'的三个通道'a', 'b', 'c'输入第一个卷积核，得到红色数字，第二个单词经过卷积核得到黄色数字，排成一列得到第一个通道，四个卷积核得到输出的四个通道。在使用Conv1d函数时，pytorch默认你的数据是一维的，比如一句话“深度学习”可以用一个一维数组 ['深', '度', '学', '习'] 表示，这个数据就是一维的。卷积核大小为1，卷积核通道数和输入数据的通道数一致。
nn.Conv1d
故障诊断与健康管理
04-02 721
nn.Con1d
nn.Conv1d卷积计算
最新发布
04-29
### nn.Conv1d 的卷积计算用法与实现细节 `nn.Conv1d` 是 PyTorch 提供的一维卷积操作工具，主要用于处理序列数据（如时间序列或文本嵌入）。以下是关于其使用方法和实现细节的详细介绍。 #### 参数说明 `nn.Conv1d` 的主要参数及其作用如下： - `in_channels`: 输入张量的通道数。对于一维卷积来说，通常表示输入特征的数量。 - `out_channels`: 输出张量的通道数，即卷积核的数量。 - `kernel_size`: 卷积核大小，决定每次滑动窗口覆盖的数据长度。 - `stride`: 步幅，默认为 1，控制卷积核移动的距离。 - `padding`: 填充方式，默认为 0，用于扩展输入边界以保持输出尺寸不变或其他需求。 - `dilation`: 膨胀率，默认为 1，增加感受野而不改变参数数量。 - `groups`: 控制输入和输出之间的连接关系，默认为 1 表示全连接模式[^2]。 #### 计算原理 假设输入形状为 `(batch_size, in_channels, L_in)`，其中 `L_in` 是输入信号的长度，则经过 `nn.Conv1d` 后的输出形状可以由以下公式计算得出： \[ L_{\text{out}} = \left\lfloor \frac{L_{\text{in}} + 2 \cdot \text{padding} - \text{dilation} \times (\text{kernel\_size} - 1) - 1}{\text{stride}} + 1 \right\rfloor \] 最终输出形状为 `(batch_size, out_channels, L_out)`[^4]。 #### 实现细节与代码示例 下面是一个完整的代码示例展示如何创建并应用 `nn.Conv1d` 进行一维卷积运算： ```python import torch import torch.nn as nn # 初始化Conv1d层 conv_layer = nn.Conv1d(in_channels=16, out_channels=33, kernel_size=3, stride=1) print(conv_layer) # 打印Conv1d对象的信息 # 创建随机输入张量 (batch_size=20, in_channels=16, length=50) input_tensor = torch.randn(20, 16, 50) print(f"Input shape: {input_tensor.shape}") # 应用Conv1d层进行前向传播 output_tensor = conv_layer(input_tensor) print(f"Output shape: {output_tensor.shape}") ``` 运行以上代码会得到类似的结果： ``` Conv1d(16, 33, kernel_size=(3,), stride=(1,)) Input shape: torch.Size([20, 16, 50]) Output shape: torch.Size([20, 33, 48]) ``` 这里需要注意的是，在实际应用中可能还需要调整输入维度顺序或者加入激活函数等额外组件来构建更复杂的模型结构[^3]。 #### 数据预处理中的 `.view()` 和 `permute()` 当遇到不匹配的维度时，可以通过调用 `.view()` 或者 `permute()` 方法重新排列张量轴的位置以便适配目标网络架构的要求。例如将三维张量从 `[batch_size, sequence_length, feature_dim]` 变换至 `[batch_size, feature_dim, sequence_length]` 形式再送入 `nn.Conv1d` 层执行进一步的操作[^1]。 ---
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值