Conv1d

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

• 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，实际上就是卷积核的数目。
• 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

二：怎么去理解这些参数

例如我们输入的矩阵是：(N * in_channels * Lin)，这里N是批次大小，in_channels是我们向量的行，Lin是我们向量的列

官方文档说我们最后输出是(N,out_channels,Lout)

具体是怎么做的呢？

 in_channels(int) – 输入信号的通道。在文本分类中，即为词向量的维度，也可以理解是输入数据的行

out_channels(int) – 卷积产生的通道。相当于我们希望输出的行。一个卷积核对应一组输出，N个卷积核对应N组输出。而卷积核的数量不用我们给出，我们只要给出kernel_size就行

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

我们输出的矩阵是（N,out_channels,Lout）

而Lout = (Lin - kernel_size + 1) / stride 

例如：

conv1 = nn.Conv1d(in_channels=256,out_channels=100,kernel_size=2) input = torch.randn(32,256,35) out = conv1(input) print(out.size()) #输出结果为：(32,100,34)