Conv1D¶

class paddle.nn. Conv1D ( in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, padding_mode='zeros', weight_attr=None, bias_attr=None, data_format='NCL' ) [源代码] ¶

一维卷积层

根据输入、卷积核、步长（stride）、填充（padding）、空洞大小（dilations）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 是特征长度。卷积核是 MCL 格式，M 是输出特征通道数，C 是输入特征通道数，L 是卷积核长度度。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。

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，1-D Tensor，形状为 [M]

\(\sigma\)：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

参数¶

in_channels (int) - 输入特征的通道数。

out_channels (int) - 由卷积操作产生的输出的通道数。

kernel_size (int|list|tuple) - 卷积核大小。可以为单个整数或包含一个整数的元组或列表，表示卷积核的长度。

stride (int|list|tuple，可选) - 步长大小。可以为单个整数或包含一个整数的元组或列表，表示卷积的步长。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。可以为单个整数或包含一个整数的元组或列表，表示卷积核中的元素的空洞。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。

padding_mode (str，可选)：填充模式。包括 'zeros', 'reflect', 'replicate' 或者 'circular'。默认值：'zeros' 。

weight_attr (ParamAttr，可选) - 指定权重参数属性的对象。默认值为 None，表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。

bias_attr （ParamAttr|bool，可选）- 指定偏置参数属性的对象。若 bias_attr 为 bool 类型，只支持为 False，表示没有偏置参数。默认值为 None，表示使用默认的偏置参数属性。具体用法请参见 ParamAttr 。

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"。

属性¶

weight¶

本层的可学习参数，类型为 Parameter

bias¶

本层的可学习偏置，类型为 Parameter

形状¶

输入：\((N， C_{in}， L_{in})\)

卷积核：\((C_{out}， C_{in}， K)\)

偏置：\((C_{out})\)

输出：\((N， C_{out}， L_{out})\)

其中：

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

如果 padding = "SAME":

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

如果 padding = "VALID":

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

代码示例¶

          import paddle
from paddle.nn import Conv1D

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")

conv = Conv1D(3, 2, 3)
conv.weight.set_value(w)
y = conv(x)
print(y)
# Tensor(shape=[1, 2, 2], dtype=float32, place=Place(gpu:0), stop_gradient=False,
#        [[[133., 238.],
#          [160., 211.]]])

         

使用本API的教程文档¶

Pytorch 写法