【防忘笔记】一个例子理解Pytorch中一维卷积nn.Conv1d

一维卷积层的各项参数如下

torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)

nn.Conv1d输入

输入形状一般应为：(N, Cin, Lin) 或 (Cin, Lin), (N, Cin, Lin)

N = 批量大小，例如 32 或 64；
Cin = 表示通道数；
Lin = 它是信号序列的长度；

nn.Conv1d输出

torch.nn.Conv1d() 的输出形状为：(N, Cout, Lout) 或 (Cout, Lout)

其中，Cout由给Conv1d的参数out_channels决定，即Cout == out_channels

Lout则是使用Lin与padding、stride等参数计算后得到的结果，计算公式如下：

例子：

import torch

N = 40
C_in = 40
L_in = 100

inputs = torch.rand([N, C_in, L_in])

padding = 3
kernel_size = 3
stride = 2
C_out = 10

x = torch.nn.Conv1d(C_in, C_out, kernel_size, stride=stride, padding=padding)
y = x(inputs)
print(y)
print(y.shape)

运行上述示例后会得到以下结果

tensor([[[-0.0850,  0.3896,  0.7539,  ...,  0.4054,  0.3753,  0.2802],
         [ 0.0181, -0.0184, -0.0605,  ...,  0.0114, -0.0016, -0.0268],
         [-0.0570, -0.4591, -0.3195,  ..., -0.2958, -0.1871,  0.0635],
         ...,
         [ 0.0554,  0.1234, -0.0150,  ...,  0.0763, -0.3085, -0.2996],
         [-0.0516,  0.2781,  0.3457,  ...,  0.2195,  0.1143, -0.0742],
         [ 0.0281, -0.0804, -0.3606,  ..., -0.3509, -0.2694, -0.0084]]],
       grad_fn=<SqueezeBackward1>)
torch.Size([40, 10, 52])

y 是输出，它的形状是： 40* 10* 52

40是batchsize；10是用户设定的Cout（即out_channels），52是经过一维卷积层计算后目前序列的长度（即Lout，也可以理解为某个一维矩阵的形状）

注意：

对于一维卷积，

通道数被视为“输入向量的数量”（in_channels）和“输出特征向量的数量”(out_channels)；

Lout是输出特征向量的大小（不是数量）；

参考：

1、https://stackoverflow.com/questions/60671530/how-can-i-have-a-pytorch-conv1d-work-over-a-vector

2、https://www.tutorialexample.com/understand-torch-nn-conv1d-with-examples-pytorch-tutorial/