一维卷积_二维卷积计算

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

主要参数说明：

• in_channels：在文本应用中，即为词向量的维度
• out_channels：卷积产生的通道数，有多少个out_channels，就需要多少个一维卷积（也就是卷积核的数量）
• kernel_size：卷积核的尺寸；卷积核的第二个维度由in_channels决定，所以实际上卷积核的大小为kernel_size * in_channels
• stride：默认为1，表示卷积核每次的跨步长度
• padding：对输入的每一条边，补充0的层数
• group：将输入数据按卷积维度切分为多个组，在每一个组中完成卷积操作后拼接起来，这里默认分组为

实验说明：

假设现在对一个批量为32，最大长度为64的句子进行卷积

conv1 = nn.Conv1d(in_channels=256, out_channels=256, kernel_size=2，group=256)
input = torch.randn(32, 64, 256)
input = input.permute(0, 2, 1)
output = conv1(input)

输入通道是根据输入数据针对每个字编码的维度，输出通道表示我们期望得到的每个字的维度。

对输入数据进行转置（permute）操作的原因是：一维卷积只能在输入数据的一个维度上滑动卷积核进行卷积操作，而输入通道是针对输入数据的第二个维度设定的，所以需要先进行转置，将输入通道维度放到第二个维度才能进行操作。

在这里group=256：表示将[256,64]的数据切分为256份，也就是每一份表示一个字的信息，而在卷积过程中，字与字之间不进行交互。

这样根据输入最大长度为64，卷积核为2，可以得到输出的形状为（32,256，64-2+1），然后需要再一次转置才能得到合适的形状

今天的文章一维卷积_二维卷积计算分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。