本文介绍了NLP中的一维卷积操作，特别是torch.nn.Conv1d模块的使用。经过embedding层，数据转换为(batch_size, word_embeddings_dim, max_length)格式。卷积层的参数包括输入通道、输出通道、卷积核大小等。以torch.nn.Conv1d为例，展示了如何配置和应用卷积层，并提供了NLP中卷积操作的视觉解释。"
113334639,10300536,Tomcat安全配置与加固指南,"['网络安全', 'Tomcat', '服务器安全', 'Web应用服务器', '安全配置']
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。
CLASS
torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros')
in_channels：输入通道数。一般情况下，将其设置为与word_embeddings_dim相等。
out_channels：输出通道数。决定了一个filter含有多少个卷积核。
kernel_size：卷积核大小。与图像处理中使用的Conv2d不同，Conv1d中的kernel_size只需指定一个整数。
例如：
conv1 = torch.nn.Conv1d(in_channels=256, out_channels=3, kernel_size=5)
这样，filter实际的维度为：3*256*5，（3个卷积核，卷积核维度为256*5），卷积核窗口在句子长度的方向上滑动，进行卷积操作。
pytorch中使用示例
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
