Python torch.nn.Conv1d用法及代码示例

用法: class 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)

参数：

in_channels(int) -输入图像中的通道数
out_channels(int) -卷积产生的通道数
kernel_size(int或者tuple) -卷积核的大小
stride(int或者tuple,可选的) -卷积的步幅。默认值：1
padding(int,tuple或者str,可选的) -填充添加到输入的两侧。默认值：0
padding_mode(string,可选的) -'zeros' 、 'reflect' 、 'replicate' 或 'circular' 。默认值：'zeros'
dilation(int或者tuple,可选的) -内核元素之间的间距。默认值：1
groups(int,可选的) -从输入通道到输出通道的阻塞连接数。默认值：1
bias(bool,可选的) -如果 True ，则向输出添加可学习的偏差。默认值：True

变量：

~Conv1d.weight(Tensor) -形状模块的可学习权重(\text{out\_channels}, \frac{\text{in\_channels}}{\text{groups}}, \text{kernel\_size}).这些权重的值是从\mathcal{U}(-\sqrt{k}, \sqrt{k})其中k = \frac{groups}{C_\text{in} * \text{kernel\_size}}
~Conv1d.bias(Tensor) -形状模块的可学习偏差(out_channels)。如果 bias 是 True ，则这些权重的值是从 \mathcal{U}(-\sqrt{k}, \sqrt{k}) 中采样的，其中 k = \frac{groups}{C_\text{in} * \text{kernel\_size}}

对由多个输入平面组成的输入信号应用一维卷积。

在最简单的情况下，输入大小为(N, C_{\text{in}}, L)和输出(N, C_{\text{out}}, L_{\text{out}})的层的输出值可以精确地说明为：

\text{out}(N_i, C_{\text{out}_j}) = \text{bias}(C_{\text{out}_j}) + \sum_{k = 0}^{C_{in} - 1} \text{weight}(C_{\text{out}_j}, k) \star \text{input}(N_i, k)

其中\star是有效的cross-correlation运算符，N是批量大小，C表示通道数，L是信号序列的长度。

该模块支持 TensorFloat32。

stride 控制互相关、单个数字或 one-element 元组的步幅。
padding 控制应用于输入的填充量。它可以是字符串 {‘valid’, ‘same’} 或整数元组，给出两侧应用的隐式填充量。
dilation控制内核点之间的间距；也称为 à trous 算法。很难说明，但是这个link 很好地可视化了dilation 的作用。
groups 控制输入和输出之间的连接。 in_channels 和 out_channels 都必须能被 groups 整除。例如，
- 在 groups=1 时，所有输入都卷积到所有输出。
- 在 groups=2 时，该操作等效于并排有两个卷积层，每个卷积层看到一半的输入通道并产生一半的输出通道，并且随后将两者连接起来。
- 在 groups= in_channels ，每个输入通道都与自己的一组过滤器(大小为 \frac{\text{out\_channels}}{\text{in\_channels}} )进行卷积。

注意

当 groups == in_channels 和 out_channels == K * in_channels 时，其中 K 是正整数，此操作也称为 “depthwise convolution”。

换句话说，对于大小为 (N, C_{in}, L_{in}) 的输入，可以使用参数 (C_\text{in}=C_\text{in}, C_\text{out}=C_\text{in} \times \text{K}, ..., \text{groups}=C_\text{in}) 执行具有深度乘数 K 的深度卷积。

注意

在某些情况下，当在 CUDA 设备上给定张量并使用 CuDNN 时，此运算符可能会选择非确定性算法来提高性能。如果这是不可取的，您可以尝试通过设置 torch.backends.cudnn.deterministic = True 来使操作具有确定性(可能以性能为代价)。有关详细信息，请参阅重现性。

注意

padding='valid' 与无填充相同。 padding='same' 填充输入，使输出具有作为输入的形状。但是，此模式不支持 1 以外的任何步幅值。

形状：

输入：(N, C_{in}, L_{in})
输出：(N, C_{out}, L_{out})

L_{out} = \left\lfloor\frac{L_{in} + 2 \times \text{padding} - \text{dilation} \times (\text{kernel\_size} - 1) - 1}{\text{stride}} + 1\right\rfloor

例子：

>>> m = nn.Conv1d(16, 33, 3, stride=2)
>>> input = torch.randn(20, 16, 50)
>>> output = m(input)

相关用法

注：本文由纯净天空筛选整理自pytorch.org大神的英文原创作品 torch.nn.Conv1d。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。