一维卷积过程理解及代码

2021-08-02 12:03:00 阅读：1022 来源： 互联网

标签：卷积代码 inp batch channels int 一维 size

以一个例子展示一维卷积过程：

原理

假设输入数据为 6 个维度的数据，有 4 个通道，即[6,4]的数据。
设置核大小（kernel_size）为 2，卷积的步长（stride）为 2，核数量（也就是out_channels）为 1 的卷积。
其中卷积核的通道数和输入的通道数相同，即同样是 4 。
卷积过程及结果如下图所示：

得到一个[1,3]得输出。
第一维结果1：由于核维度默认和输入通道数相同，所以当只有一个卷积核时，第一维输出就为1。有多少个卷积核，输出第一维就是多少。
第二维结果3：可通过公式计算：\(N=\frac{W-F+2P}{S}+1\)。其中：\(W\)为输入大小，\(F\)为核大小，\(P\)为填充大小，\(S\)为步长。

代码

通过pytorch的实现：
pytorch的一维卷积nn.Conv1d()参数：

in_channels (int) – Number of channels in the input image
out_channels (int) – Number of channels produced by the convolution
kernel_size (int or tuple) – Size of the convolving kernel
stride (int or tuple, optional) – Stride of the convolution. Default: 1
padding (int, tuple or str, optional) – Padding added to both sides of the input. Default: 0
padding_mode (string, optional) – 'zeros', 'reflect', 'replicate' or 'circular'. Default: 'zeros'
dilation (int or tuple, optional) – Spacing between kernel elements. Default: 1
groups (int, optional) – Number of blocked connections from input channels to output channels. Default: 1
bias (bool, optional) – If True, adds a learnable bias to the output. Default: True

例程：

import torch
import torch.nn as nn

torch.manual_seed(2021)

a = [1, 2, 3, 4]
b = [5, 6, 7, 8]
inp = torch.Tensor([a, b, a, b, a, b])
# 扩充一维，作为batch_size
inp = inp.unsqueeze(0)  
print(inp.shape)
# 调换位置
inp = inp.permute(0, 2, 1)

model = nn.Conv1d(in_channels=4, out_channels=1, kernel_size=2, stride=2, padding=0)
# 显示权重
for name, parameters in model.named_parameters():
    print(name, ':', parameters)
out = model(inp)

print(out.shape)
print(out)

结果：

NOTE:

例子里只使用1个数据，即batch_size=1。所以构造了[1, 6, 4]的Tensor，如果一个batch的输入数据，即[batch_size, 6, 4]
nn.Conv1d()计算时，它的输入格式是[batch_size, in_channels, in_size]，所以要使用permute()函数，把后面两个维度的顺序调换一下！
一维卷积默认的输入数据其实是2维的。如果是1维的输入数据，应该通过unsqueeze()函数，扩充1维。将[batch_size, 6]变为[batch_size, 6, 1]。卷积过程也如下图所示：

标签：卷积,代码,inp,batch,channels,int,一维,size
来源： https://www.cnblogs.com/aionwu/p/15088988.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

一维卷积过程理解及代码

原理

代码

NOTE: