如何分析pytorch的一維卷積nn.Conv1d

如何分析pytorch的一維卷積nn.Conv1d，針對這個問題，這篇文章詳細(xì)介紹了相對應(yīng)的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

 torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

• in_channels(int) – 輸入信號的通道。在文本分類中，即為詞向量的維度

• out_channels(int) – 卷積產(chǎn)生的通道。有多少個out_channels，就需要多少個1維卷積

• kernel_size(int or tuple) - 卷積核的尺寸，卷積核的大小為(k,)，第二個維度是由in_channels來決定的，所以實際上卷積大小為kernel_size*in_channels

• stride(int or tuple, optional) - 卷積步長，默認(rèn)為1

• padding (int or tuple, optional)- 輸入的每一條邊補充0的層數(shù)，默認(rèn)為0

• dilation(int or tuple, `optional``) – 卷積核元素之間的間距，默認(rèn)為1

• groups(int, optional) – 從輸入通道到輸出通道的阻塞連接數(shù)

• bias(bool, optional) - 如果bias=True，添加偏置

在一維卷積里，輸入維度是這樣的[batch_size,seq_len,input_size]，其中第一維seq_len充當(dāng)n_channels的角色，但在進行一維卷積之前必須交換seq_len和input_size的順序，所以會是[batch_size，input_size，seq_len]，所以第一維input_size充當(dāng)n_channels的角色。而卷積發(fā)生在最后一維上，所以實際上input_size應(yīng)該等于卷積中的in_channels，而seq_len則實際參與計算，計算后的結(jié)果根據(jù)以下公式：

seq_len = ((seq_len + 2 * m.padding[0] - m.dilation[0] * (m.kernel_size[0] - 1) - 1) / m.stride[0] + 1)

舉個例子：

conv1 = nn.Conv1d(in_channels=256，out_channels=100,kernel_size=2)
input = torch.randn(32,35,256)
# batch_size x text_len x embedding_size -> batch_size x embedding_size x text_len
input = input.permute(0,2,1)
out = conv1(input)
print(out.size())

 這里32為batch_size，35為句子最大長度，256為詞向量。

再輸入一維卷積的時候，需要將32*35*256變換為32*256*35，因為一維卷積是在最后維度上掃的，最后out的大小即為：32*100*（35-2+1）=32*100*34

關(guān)于如何分析pytorch的一維卷積nn.Conv1d問題的解答就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關(guān)注億速云行業(yè)資訊頻道了解更多相關(guān)知識。