【无标题】

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。在文本分类中，即为词向量的维度
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
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
举个例子:

conv1 = nn.Conv1d(in_channels=256，out_channels=100,kernel_size=2)
input = torch.randn(32,35,256)

batch_size x text_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，35为句子最大长度，256为词向量

再输入一维卷积的时候，需要将3235256变换为3225635，因为一维卷积是在最后维度上扫的，最后out的大小即为：32100（35-2+1）=3210034

附上一张图，可以很直观的理解一维卷积是如何用的：

图片来源：Keras之文本分类实现

图中输入的词向量维度为5，输入大小为7*5，一维卷积核的大小为2、3、4，每个都有两个，总共6个特征。

对于k=4，见图中红色的大矩阵，卷积核大小为4*5，步长为1。这里是针对输入从上到下扫一遍，输出的向量大小为((7-4)/1+1)1=41，最后经过一个卷积核大小为4的max_pooling，变成1个值。最后获得6个值，进行拼接，在经过一个全连接层，输出2个类别的概率。

附上一个代码来详解：