简要解释什么是Conv1d,Conv2d,Conv3d

解释什么是Conv1d,Conv2d,Conv3d归结为解释什么是1d,2d,3d。

这个是指除去chanel,除去batch_size，你的输入是多少维的。

比如说：

Conv2d

计算机视觉中，手写数字识别，训练的时候数据形状为：(batch_size,1,28,28)，除去batch_size，除去chanel，其实（28，28），也就是两维的，所以使用Conv2d，此时卷积核（没有batch_size，参数是共享的)除去chanel，也是二维的。

Conv1d

自然语言处理中一个句子序列，一维的，所以使用Conv1d，此时卷积核（没有batch_size，参数是共享的)除去chanel，也是一维的。

Conv3d

这个或许比较难以理解，因为有人会觉得，这个3d是不是没有去掉chanel，去掉不就是2d了吗？本身chanel这个东西你怎么定义都是随便的，这个3d的东西是不是应该有chanel，是根据我们具体问题具体分析的。我们要从感受野，CNN的思想出发，如果你觉得有一个3d的东西是一个整体，不可分割(注意，如果有channel，那么channel之间的操作是独立的，互不影响！），必须一小块体积一小块体积来使用局部卷积，那么这个东西就没有channel，就应当使用Conv3d。

实战

import torch.nn as nn
import torch

conv1d

我们的数据a的shape为[1,2,3]，即batch_size=1,“chanel”=2,这个chanel其实可能是自然语言处理中的句子长度seq_len（懂得都懂！）

定义卷积层。

b=torch.ones(8)
b[0]=2
b[1]=2
b[3]=9
conv1d=nn.Conv1d(2,4,kernel_size=1)
conv1d.weight.data=nn.Parameter(b.view(4,2,1))
conv1d.weight

上述是4个卷积核。第一个卷积核是[2,2]，其有一个专属于这个卷积核的偏置，其将会和我们的数据[2,2],[2,0],[2,2]分别做内积，然后分别加上这个相同的偏置bias，得到含有3个数的向量，其作为第一个通道，然后第二个卷积也是这样做，,从而得到4个通道，每个通道都是3个数的向量。