一维卷积神经网络理解（torch.nn.Conv1d）-Toy模板网

这篇具有很好参考价值的文章主要介绍了一维卷积神经网络理解（torch.nn.Conv1d）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

参数介绍

torch.nn.Conv1d(in_channels,       
                out_channels,     
                kernel_size,      
                stride,        
                padding,        
                padding_mode    
                dilation,      
                groups,        
                bias,           
                )

in_channels: (int)输入数据的通道数，即对某条训练数据来说由多少组向量表示。例如对于由一维向量表示的一条数据来说，通道数为1；对于文本数据来说，一个句子是由m个单词组成，那么通道数就可以是m
out_channels: (int)卷积产生的通道数，可以理解为卷积核的个数
kernel_size: (int or tuple)卷积核的大小，若参数为元组，元组中应只有一个元素
stride: (int or tuple, optional)卷积的步幅。默认值为1，若为元组，元组中应只有一个元素
padding: (int, tuple or str, optional)添加到输入两侧的填充个数。默认值为0
padding_mode(string, optional)，两侧的填充模式，表示两侧不同的填充方式，可选的模式有"‘zeros’, ‘reflect’, ‘replicate’ 或 ‘circular’. 默认：‘zeros’"
dilation:(int or tuple, optional)内核元素之间的间距。默认值为1，即卷积核的每个的元素都是紧挨着的，这个比较难以描述，可以在这里看到直观的动图
groups：(int, optional)从输入通道到输出通道的阻塞连接数。默认值为1，输入通道数和输出通道数应该能整除groups，当groups为n时，意味着有n个卷积核，分别把输入数据拆分成n份去获取卷积之后的特征
bias：(bool, optional)如果是True，向输出添加可学习的偏差。默认为True

输入输出

input – [batch_size , in_channels , i] （批大小，输入数据的通道数，输入数据维度）。
output – ( batch_size , out_channels , i]（批大小，输出数据的通道数，卷积后数据维度）。
卷积后的维度计算方法： $\frac{n-k+2\times{p}}{s} + 1$ ，（n：输入数据维度，k: 卷积核大小，p: 使用边界填充，s: 步长）。
卷积核维度：[in_channels, kernel_size, out_channels]，out_channels代表卷积核的个数，用来提取多维特征。

举个例子

定义如下：

in_channels=1, out_channels=1
输入通道：1，输出通道：1，卷积核：1 $\times$ 3 $\times$ 1，步长：1，填充：0
批大小：1，数据的通道数：1，数据长度： 5

import torch
import torch.nn as nn
input = torch.randn(1, 1, 5)
conv = nn.Conv1d(in_channels=1, out_channels=1, kernel_size=3, stride=1, padding=0)
out = conv(input)

计算过程：
一维卷积神经网络理解（torch.nn.Conv1d）
输出：批大小：1，数据的通道数：1，数据长度： 3
参考：https://blog.csdn.net/xu624735206/article/details/124961990文章来源地址https://www.toymoban.com/news/detail-401321.html