pytorch conv1d图解

背景

我看网上，很多人讲解的pytorch的conv1d都讲不清楚。算了。我自己来讲解一遍吧，结合图片来。

1. 简单版本的pytoch的conv1d

创建一个数据

先创建一个简单的数据，这个数据的shape为 (1, 10, 5) ，对应的意义为batch_size, dim1, dim2。

注意:

1. 这里的dim1就是我们下面提到的in_channel。
2. 这里的dim2的意义，先不用管。

data = t.ones(size=(1, 10, 5))
data

数据长成这样：

创建conv1d

接下来，创建一个conv1d。

conv1d = nn.Conv1d(in_channels=10,
                   out_channels=2,
                   kernel_size=3,
                   stride=1,
                   bias=False, 
                   padding=0)
conv1d.weight.data = t.ones_like(conv1d.weight.data)

为了方便理解，我把上面的卷积里面的权重全部设置为1了。

注意上面的参数

1. in_channels要和我们上面创建的数据的dim1维度数对应上。
2. out_cannels这个不用管，设置成一个正整数就行。
3. kernel_size=3，这个先记住，先不用管。
4. stride表示的是步长，默认就是1
5. bias这个先不管。
6. padding先不管

开始卷积

res = conv1d(data)
res

卷积结果如下：

卷积的shape为：

res.shape

#> torch.Size([1, 2, 3])

可以看出来，卷积之后的结果的shape为(1, 2, 3)。

1. 第一个维度值为1，很好理解，因为我们的data的batch_size就是1， 不可能，你卷积一次，batch_size变化了吧。
2. 第二个维度值为2，这个2是来自上面我们设置的out_channels。这个说白了，就是做多少次卷积，强调的是次数。
3. 第三个维度值为3，这个3我们要好好解释一下了。

解释

这里分步骤介绍：

1. 第一步

因为我们设置的是kernel_size=3。且in_channel=10，所以我们的卷积核是(10, 3)。
一个窗口在我们数据上（红色块）和我们的卷积核（蓝色块）进行点积。然后求和。这样就得到第一个30.（注意绿色箭头）

2. 第二步

接下来，我们那个红色窗口向右边移动一步（因为我们设置的stride=1，所以只移动一步，如果设置为2，那么需要2步）。

1. 虚线就是上一步窗口所在的位置。
2. 红框就是这一步窗口所在的位置。
3. 然后再把红框和蓝框进行点积，然后求和，得到第二个30.（注意绿色箭头）。
   

3. 第三步

接下来，再把红框向右移动一步。这个时候就顶到右边的边上了。

1. 虚线就是上一步窗口所在的位置。
2. 红框就是这一步窗口所在的位置。
3. 然后再把红框和蓝框进行点积，然后求和，得到第三个30.（注意绿色箭头）。
   

4. 第四步

因为红框已经顶到右边了，不能再移动了。那就停止了。
这样就把卷积的第一排计算完了。

5. 下一步

还记得我们设置的out_channels=2么。

上面几步，就是把第一行计算完了。还差一行。按照上面的步骤，原封不动的再计算一边即可。

总结

上面就是一个最简单的pytorch的conv1d。实际上更加复杂的也就是和上面差不多的。

1. 注意，我是吧上面的参数都设置为1了，这样方便计算和理解。