torch.nn.Conv1d的原理以及实际应用

本文主要是介绍torch.nn.Conv1d的原理以及实际应用，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

torch.nn.Conv1d的原理以及实际应用
![在这里插入图片描述
图片来源：https://zhuanlan.zhihu.com/p/29201491
所谓一维卷积，就是卷积时只看列，不看行。初始：7乘5 卷积核：三种大小，分别为25、35、45，每种两个。重点是卷积时，只在列一个方向上滑动。这里stride默认为1,所以输出（n+2p-f）/s+1，padding为0，以最后一个卷积核为例，{（7-2）/1 +1=6乘（5-5）/1+1=1}，得到一个（61）的列向量，就是结果。其他卷积也是如此，所以一共得到（41），（51），（61）的列向量各两个，共计6个。经过max_pooling，每个列向量变成1个值。最后获得6个值，两两进行拼接，得到三个（21）向量这三个向量再次拼接，在经过一个全连接层，输出2个类别的概率。

代码
conv1 = nn.Conv1d(in_channels=256, out_channels=100, kernel_size=3, stride=1, padding=0) input = torch.randn(3, 7,5) # [batch_size, max_len, embedding_dim] input = input.permute(0, 2, 1) # 交换维度：[batch_size, embedding_dim, max_len] out = conv1(input) # [batch_size, out_channels, n+2p-f/s+1] print(out.shape) # torch.Size([32, 100, 33])输入375 代表输入3个句子，每个句子7个词，每个词最大长度5
为什么要交换维度？个人理解，由于卷积实在每个词上进行，而不是字母上

这篇关于torch.nn.Conv1d的原理以及实际应用的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！