pytorch一维卷积与二维卷积含义及使用示例

卷积（Convolution）操作比较常见，是通过一个卷积核在特征图上的滑动，得到另一个特征图

卷积操作通常被理解为提取局部特征

以二维卷积为例，通常有以下三种模式：

• Full Mode：以卷积层最下角对齐输入的最上角，最后会导致输入维度 < 输出维度，其中浅色的地方一般是补0
• Valid Mode：从输入的最上角开始，最后输入维度 > 输出维度
• Same Mode：自适应匹配位置，使最终的输入维度 = 输出维度

在pytorch里直接指定输入输出，而不需要指定模式

一维卷积

import torch
import torch.nn as nn

input_x = torch.randn(50, 3, 33)  # batch size, channel 通道数, 任意维度
conv1d = nn.Conv1d(3, 20, kernel_size=10)  # Conv1d(in_channels 输入的通道数, out_channels 输出的通道数, kernel_size 卷积核大小,)
print(conv1d(input_x).shape)  # torch.Size([50, 20, 24])

最后输出的维度是torch.Size([50, 20, 24])，其中：

• 50：batch的大小
• 20：初始化nn.Conv1d时指定的输出通道数
• 24：卷积后的维度，值等于input_x最后的维度 - kernel_size + 1

二维卷积

import torch
import torch.nn as nn

input_x = torch.randn(50, 3, 44, 33)  # batch size, channel 通道数, 特征图长, 特征图宽
conv2d = nn.Conv2d(3, 20, kernel_size=10)  # Conv1d(in_channels 输入的通道数, out_channels 输出的通道数, kernel_size 卷积核大小,)
print(conv2d(input_x).shape)  # torch.Size([50, 20, 35, 24])

最后的输出中torch.Size([50, 20, 35, 24])，其中：

• 50：batch的大小
• 20：初始化nn.Conv2d时指定的输出通道数
• 35：卷积后的特征图长，值等于input_x特征图长 - kernel_size + 1
• 24：卷积后的特征图宽，值等于input_x特征图宽 - kernel_size + 1