• 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）=32x128x63

    conv1 = 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_leninput = input.permute(0,2,1)out = conv1(input)#print(out)#print(out.size())