conv1d 卷积的理解与应用

---

1 在tensorflow 中：

conv1d(value,filter,stride,padding)

2 pytorch中：

conv1d(in_channel,out_channel,kernel_size,stride,padding)

 

一般输入为3D 张量【B,X1,X2】这里之所以使用X1,X2,代表维度，是因为一维卷积不仅可以应用在语音文字上，在图像处理方面也有应用，所以使用X,来统一总结下。

如果输入为以上，对于tensorflow.conv1d（）中的filter参数设置应当如下：

fileter is 3D tensor [卷积宽度,in_channel,out_channel]，

例子1：

例如输入为【1,20,1】 卷积核为 [1,1,1] ,stride=1 padding =VALID 则输出为【1,20,1】

分析：首先卷积核的输入通道=x2,输出通道1（代表有几个卷积核，自定义）。w =1 ,这个w 是作用在输入的X1 上，可以理解为每次卷积的行数。如图1所示：

x1-w+1 = 20-1+1 =20 所以输出为【1,20,1】

 

例子2：

输入还是【1,20,1】，卷积核变为【2,1,1】，stride =1 padding =VALID，则输出变为了【1,19,1】，20-2+1 =19

在w=2 表示在20行上，一次卷积2行。

可以看出，一维卷积有着和全连接层类似的作用，目前在注意力机制上，一维卷积有着很高的使用频率。

在pytorch 使用：

例子1：

输入（1,1,20），pytorch 会把他当做【B,C,L】,然后conv1d(in_channel=1,out_channel=1,kernel_size=2),输出为【1,1,19】，

也是在X2说滑动卷积。