Pytorch中的Conv1d()函数

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。即为词向量的维度。2维RGB图像卷积中，为3。
• 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（也就是卷积核的数量）
• 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

举例：实体链接（x，y），x，y是两个实体，当x,y为同一实体，标注为1，否则标注为1。

conv1 = nn.Conv1d(in_channels=200，out_channels=50, kernel_size=2)
input = torch.randn(32,8,200)
# batch_size x entity_len x embedding_size -> batch_size x embedding_size x text_len
input = input.permute(0,2,1)
out = conv1(input)
print(out.size())

这里32为batch_size，8为实体中词的个数，200为词向量。50为卷积核的数量，2为卷积核的尺寸。
输入一维卷积的时候，需要将32*8*200变换为32*200*8，因为一维卷积是在最后维度上扫的，卷积核大小为200*2，最后out的大小即为：32*50*（8-2+1）=32*50*7，最大池化后的大小为：32*50*1