<class 'torch.nn.modules.conv.Conv1d'> torch.nn.Conv1d-526互联

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

自然语言处理中一个句子序列，一维的，所以使用Conv1d，此时卷积核（没有batch_size，参数是共享的)除去chanel，也是一维的。

2、参数

in_channels(int) – 输入信号的通道。在文本分类中，即为词向量的维度
out_channels(int) – 卷积产生的通道。有多少个out_channels，就需要多少个1维卷积
kernel_size(int or tuple) - 卷积核的尺寸，卷积核的大小为(k,)，第二个维度是由in_channels来决定的，所以实际上卷积大小为kernel_size*in_channels
stride(int or tuple, optional) - 卷积步长
padding (int or tuple, optional)- 输入的每一条边补充0的层数
dilation(int or tuple, `optional``) – 卷积核元素之间的间距
groups(int, optional) – 从输入通道到输出通道的阻塞连接数
bias(bool, optional) - 如果bias=True，添加偏置

in_channel:输入的通道数，信号一般为一维
out_channel:输出的通道数
kernel_size:卷积核的大小
stride:步长
padding：0填充

3、shape:

4、代码例子：

官方例子1:

    input1 = torch.randn(20, 16, 50) # torch.Size([20, 16, 50])
    m = nn.Conv1d(16, 33, 3, stride=2) # Conv1d(16, 33, kernel_size=(3,), stride=(2,))
    output = m(input1) # torch.Size([20, 33, 24])


验证Shape中conv1d 关于输出Lout的公式：Lout =⌊50+2*0 - 1*(3-1) -1⌋/2 + 1 = 24

例子2：

    import torch
    import torch.nn as nn
     
    # 卷积大小为kernel_size*in_channels, 此处也即 3 * 4, 每个卷积核产生一维的输出数据，长度与输入数据的长度和stride有关，根据ouotput可知是3，第二个参数2也就卷积核的数量
    m = nn.Conv1d(4, 2, 3, stride=2)
     
    # 第一个参数理解为batch的大小，输入是4 * 9格式
    input = torch.randn(1, 4, 9)
    print(input)
    output = m(input)
    print(output)
    print(output.size())

输出如下：

tensor([[[-0.2105, -1.0958,  0.7299,  1.1003,  2.3175,  0.8186, -1.7510,  -0.1925,  0.8591],
         [ 1.0991, -0.3016,  1.5633,  0.6162,  0.3150,  1.0413,  1.0571,  -0.7014,  0.2239],
         [-0.0658,  0.4755, -0.6653, -0.0696,  0.3483, -0.0360, -0.4665,   1.2606,  1.3365],
         [-0.0186, -1.1802, -0.8835, -1.1813, -0.5145, -0.0534, -1.2568,   0.3211, -2.4793]]])

tensor([[[-0.8012,  0.0589,  0.1576, -0.8222],
         [-0.8231, -0.4233,  0.7178, -0.6621]]], grad_fn=<SqueezeBackward1>)

torch.Size([1, 2, 4])

第一个卷积核进行如下操作：

得到输出1*4的输出：

[-0.8012, 0.0589, 0.1576, -0.8222]

第二个卷积核进行类似操作：

得到输出1*4的输出：

[-0.8231, -0.4233, 0.7178, -0.6621]

合并得到最后的2*4的结果：

输入的input为 4 * 9 ，输出为 2 * 4。

验证Shape中conv1d 关于输出Lout的公式：Lout =⌊ 9+2*0 - 1*(3-1) -1⌋/2 + 1 = 4

参考：

1、pytorch之nn.Conv1d详解_若之辰的博客-CSDN博客_conv1d

2、简要解释什么是Conv1d,Conv2d,Conv3d_音程的博客-CSDN博客_conv1d

3、torch.nn.Conv1d及一维卷积举例说明_拉轰小郑郑的博客-CSDN博客_torch一维卷积
————————————————
版权声明：本文为CSDN博主「三世」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qimo601/article/details/125834066

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())
#这里32为batch_size，35为句子最大长度，256为词向量

3.在哪个维度移动的

定义输入的大小为(batch_size,channel,length)

可以肯定的是卷积核是在最后一个维度移动的，例如上图的一维信号是卷积核从左往右进行卷积的。

然而卷积核的大小为多少呢？右上下图可知，卷积核大小为（channel*kernel_size），一般一维信号的卷积核大小就为(1*kernel_size)

一维卷积不是指卷积核是一维的，而是在一个维度进行卷积。
原文链接：https://blog.csdn.net/qq_36134168/article/details/126910772

4.out_channel

从输入到输出的过程中，通道数经常在发生改变，而out_channel是什么呢？

out_channel就是同时用多少个卷积核去卷同一个区域。

import time

import torch
import torch.nn as nn

'''
Description: torch.nn.Conv1d
input:(batch_size,in_channel,length)
output:(batch_size,out_channel,length)
shape of kernel:(channel*kernel_size)
out_channel :the num of kernel--> how much kernel do you need?
'''
#(batch_size,in_channel,length)
input =torch.rand(5,1,10)
print(input.shape)
print(input)
model =nn.Conv1d(in_channels=1,
                 out_channels=3,
                 kernel_size=5,
                 padding=2)
# (batch_size,out_channel,length)
output =model(input)
print(output.shape)
print(output)

input的输出：

output的输出：

6.分析

可以看到除了channel变化以外其他的并没有改变，因为根据length的变化公式，正好length不变。
输入看起来直观上是5条1乘以10的一维信号，输出看起来就是5条3乘以10的3通道一维信号。

in_channels(int) – 通道，在文本分类中，即为词向量的维度
out_channels(int) – 卷积产生的通道。有多少个out_channels，就需要多少个1维卷积
kernel_size(int or tuple) - 卷积核的尺寸，卷积核的大小为(k,)，第二个维度是由in_channels来决定的，所以实际上卷积大小为kernel_size*in_channels
stride(int or tuple, optional) - 卷积步长
padding (int or tuple, optional)- 输入的每一条边补充0的层数
dilation(int or tuple, `optional``) – 卷积核元素之间的间距
groups(int, optional) – 从输入通道到输出通道的阻塞连接数
bias(bool, optional) - 如果bias=True，添加偏置
————————————————
原文链接：https://blog.csdn.net/leitouguan8655/article/details/120266403

in_channels = 100
out_channels = 2
kernel_size = 2
batch_size = 4
seq_len = 10
conv1 = torch.nn.Conv1d(in_channels=in_channels, out_channels=out_channels, kernel_size=kernel_size)

# 文本处理形式
input_data = torch.randn(batch_size, seq_len, in_channels)
# conv1d输入形式， (batch_size, channels, seq_len)
input_data = input_data.permute(0, 2, 1)   # torch.Size([4, 100, 10])
print(input_data.size())
conv_out = conv1(input_data)
print(conv_out.size())  # torch.Size([4, 2, 9])

下边首先看一个简单的一维卷积的例子（batchsize是1，也只有一个kernel）：

输入：

一个长度为35的序列，序列中的每个元素有256维特征，故输入可以看作(35,256)
卷积核: size = (k,) , (k = 2)

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)

这里给出了一个简单的例子，我们随机初始化了一个维度为（32，35，256）的tensor矩阵，32表示batch_size，35表示句子最大长度，256表示词向量长度。我们将其送到卷积层之前需要进行维度转换，根据pytorch的官方文档，输入的维度应该为（样本数，通道数，句子长度），所以要将矩阵从（32，35，256）转换为（32，256，32）。
这里输出通道设置为100，表明有100个卷积核。卷积核的大小为2，卷积核的通道数要和输入的通道数一致，所以单个卷积核的维度为（256，2）。单个样本计算过程如下：