共计 883 个字符，预计需要花费 3 分钟才能阅读完成。
-
1D 卷积类的调用参数解释
class torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
-in_channels(int) – 输出通道数量。在文本分类中，即为词向量的维度
-out_channels(int) – 通过卷积生成的通道数量。有多少个 out_channels，就须要多少个 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)- 输出的每一条边补充 0 的层数
-dilation(int or tuple, optional) – 卷积核元素之间的间距（空洞卷积）
-groups(int, optional) – 从输出通道到输入通道的阻塞连接数
-bias(bool, optional) – 偏置量抉择，bias=True 为增加 -
举例代码
这里 32 为 batch_size，64 为句子最大长度，512 为词向量。输出一维卷积的时候，须要将 32x64x512 变换为 32x512x64，因为一维卷积是在最初维度上扫的，最初 out 的大小即为：32x128x（64-2+1）=32x128x63conv1 = nn.Conv1d(in_channels=512，out_channels=128,kernel_size=2) input = torch.randn(32,64,512) # 对矩阵进行转置：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) #print(out.size())
正文完
