一维卷积神经网络理解（torch.nn.Conv1d）

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：

       n 
      
     
       − 
      
     
       k 
      
     
       + 
      
     
       2 
      
     
       × 
      
     
       p 
      
     
    
      s 
     
    
   
     + 
    
   
     1 
    
   
  
    \frac{n-k+2\times{p}}{s} + 1 
   
  
sn−k+2×p​+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：

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