conv1d

paddle.nn.functional. conv1d ( x, weight, bias=None, stride=1, padding=0, dilation=1, groups=1, data_format='NCL', name=None ) [源代码]

一维卷积层（convolution1d layer），根据输入、卷积核、步长（stride）、填充（padding）、空洞大小（dilation）一组参数计算输出特征层大小。输入和输出是 NCL 或 NLC 格式，其中 N 是批尺寸，C 是通道数，L 是长度。卷积核是 MCL 格式，M 是输出图像通道数，C 是输入图像通道数，L 是卷积核长度。如果组数(groups)大于 1，C 等于输入图像通道数除以组数的结果。详情请参考 UFLDL's : 卷积 。如果 bias_attr 不为 False，卷积计算会添加偏置项。如果指定了激活函数类型，相应的激活函数会作用在最终结果上。

对每个输入 X，有等式：

\[Out = \sigma \left ( W * X + b \right )\]

其中：

  • \(X\)：输入值，NCL 或 NLC 格式的 3-D Tensor

  • \(W\)：卷积核值，MCL 格式的 3-D Tensor

  • \(*\)：卷积操作

  • \(b\)：偏置值，2-D Tensor，形状为 [M,1]

  • \(\sigma\)：激活函数

  • \(Out\)：输出值，NCL 或 NLC 格式的 3-D Tensor，和 X 的形状可能不同

示例

  • 输入：

    输入形状：\(（N,C_{in},L_{in}）\)

    卷积核形状：\(（C_{out},C_{in},L_{f}）\)

  • 输出：

    输出形状：\(（N,C_{out},L_{out}）\)

其中

\[L_{out} = \frac{\left ( L_{in} + padding * 2 - \left ( dilation*\left ( L_{f}-1 \right )+1 \right ) \right )}{stride}+1\]

如果 padding = "SAME":

\[L_{out} = \frac{(L_{in} + stride - 1)}{stride}\]

如果 padding = "VALID":

\[L_{out} = \frac{\left ( L_{in} -\left ( dilation*\left ( L_{f}-1 \right )+1 \right ) \right )}{stride}+1\]

参数

  • x (Tensor) - 输入是形状为 \([N, C, L]\) 或 \([N, L, C]\) 的 4-D Tensor，N 是批尺寸，C 是通道数，L 是特征长度，数据类型为 float16, float32 或 float64。

  • weight (Tensor)) - 形状为 \([M, C/g, kL]\) 的卷积核。M 是输出通道数，g 是分组的个数，kL 是卷积核的长度度。

  • bias (int|list|tuple，可选) - 偏置项，形状为：\([M,]\) 。

  • stride (int|list|tuple，可选) - 步长大小。卷积核和输入进行卷积计算时滑动的步长。整数或包含一个整数的列表或元组。默认值：1。

  • padding (int|list|tuple|str，可选) - 填充大小。可以是以下三种格式：（1）字符串，可以是"VALID"或者"SAME"，表示填充算法，计算细节可参考下述 padding = "SAME"或 padding = "VALID" 时的计算公式。（2）整数，表示在输入特征两侧各填充 padding 大小的 0。（3）包含一个整数的列表或元组，表示在输入特征两侧各填充 padding[0] 大小的 0。默认值：0。

  • dilation (int|list|tuple，可选) - 空洞大小。空洞卷积时会使用该参数，卷积核对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。整数或包含一个整型数的列表或元组。默认值：1。

  • groups (int，可选) - 一维卷积层的组数。根据 Alex Krizhevsky 的深度卷积神经网络（CNN）论文中的成组卷积：当 group=n，输入和卷积核分别根据通道数量平均分为 n 组，第一组卷积核和第一组输入进行卷积计算，第二组卷积核和第二组输入进行卷积计算，……，第 n 组卷积核和第 n 组输入进行卷积计算。默认值：1。

  • data_format (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是"NCL"和"NLC"。N 是批尺寸，C 是通道数，L 是特征长度。默认值："NCL"。

  • name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

返回

3-D Tensor，数据类型与 x 一致。返回卷积的结果。

代码示例

import paddle
import paddle.nn.functional as F

x = paddle.to_tensor([[[4, 8, 1, 9],
                       [7, 2, 0, 9],
                       [6, 9, 2, 6]]], dtype="float32")
w = paddle.to_tensor([[[9, 3, 4],
                       [0, 0, 7],
                       [2, 5, 6]],
                      [[0, 3, 4],
                       [2, 9, 7],
                       [5, 6, 8]]], dtype="float32")

y = F.conv1d(x, w)
print(y)
# Tensor(shape=[1, 2, 2], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [[[133., 238.],
#          [160., 211.]]])