nn.Conv1d个人记录

nn.Conv1d参数

torch.nn.Conv1d(in_channels,       "输入中的通道数"
                out_channels,      "卷积输出的通道数"
                kernel_size,       "卷积核大小"
                stride,            "卷积步幅。默认值：1"
                padding,           "添加到输入两侧的填充。默认值：0"
                dilation,          "内核元素之间的间距。默认值：1"
                groups,            "从输入通道到输出通道的阻塞连接数。默认值：1"
                bias,              "If True，向输出添加可学习的偏差。默认：True"
                padding_mode       "'zeros', 'reflect', 'replicate' 或 'circular'. 默认：'zeros'"
                )

维度

输入维度 (batchsize，in_channels，in_len) （批大小， 数据的通道数， 数据长度）
输出维度 (batchsize ，out_channels，out_len) （批大小， 产生的通道数， 卷积后长度）

卷积核的维度?(out_channels，in_channels，kernel_size）（卷积核数量，卷积核宽，卷积核长）

卷积后的维度（batchsize，out_channels，(n+2*p-k)/s+1）

举例嵌入向量维度为1

假如输入x为（batchsize，len）的序列，即嵌入向量维度为1，进行一个回归预测。

添加一个维度：

x = x.unsqueeze(1)

x维度变为（batchsize，1，in_len），相当于设置数据的通道数为1，通过conv1d输入到网络中。

#layer为定义的网络
x = layer(x)

x维度变为（batchsize，out_channels，(n+2*p-k)/s+1）。

将元素x拉平：

#第一个参数指定了新张量维度设置为与原始张量 x 的第一个维度大小相同；
#-1表示占位符，自动计算大小以确保新张量中的元素总数保持不变。
x = x.view(x.size(0), -1)

x维度变为（batchsize，out_len）?，拉平后输入到全连接层（线性层，维度（out_len，num_class））中，最终输出维度（batchsize，num_class）

参考&转载自：CNN - nn.Conv1d使用-CSDN博客