---

一、Conv1d 参数设定

torch.nn.Conv1d(in_channels,       "输入图像中的通道数"
                out_channels,      "卷积产生的通道数"
                kernel_size,       "卷积核的大小"
                stride,            "卷积的步幅。默认值：1"
                padding,           "添加到输入两侧的填充。默认值：0"
                dilation,          "内核元素之间的间距。默认值：1"
                groups,            "从输入通道到输出通道的阻塞连接数。默认值：1"
                bias,              "If True，向输出添加可学习的偏差。默认：True"
                padding_mode       "'zeros', 'reflect', 'replicate' 或 'circular'. 默认：'zeros'"
                )

in_channels ( int ) – 输入图像中的通道数
out_channels ( int ) – 卷积产生的通道数
kernel_size ( int or tuple ) – 卷积核的大小
stride ( int or tuple , optional ) – 卷积的步幅。默认值：1
padding ( int , tuple或str , optional ) – 添加到输入两侧的填充。默认值：0
dilation ( int or tuple , optional ) – 内核元素之间的间距。默认值：1
groups ( int , optional ) – 从输入通道到输出通道的阻塞连接数。默认值：1
bias ( bool , optional ) – If True，向输出添加可学习的偏差。默认：True
padding_mode (字符串,可选) – ‘zeros’, ‘reflect’, ‘replicate’或’circular’. 默认：‘zeros’

二、Conv1d 输入输出以及卷积核维度

input – $(\text{minibatch},\text{in\_channels},iW)$ （批大小， 数据的通道数， 数据长度）
output – $(\text{minibatch},\text{out\_channels },iW)$ （批大小， 产生的通道数， 卷积后长度）

卷积后的维度：(n - k + 2 * p ) / s + 1
k: 卷积核大小，p: 使用边界填充，s: 步长。

卷积核维度： $(\text{in\_channels},kernel\_size,\text{out\_channels })$

其中：out_channels维度，代表卷积核的个数，用来提取多维特征。

三、Conv1d 计算过程

1. 测试一：in_channels=1, out_channels=1

定义卷积如下： 输入通道：1， 输出通道：1，卷积核：1 * 3 * 1，步长：1，填充：0
输入： 批大小：1， 数据的通道数：1， 数据长度： 5

import torch
import torch.nn as nn
input = torch.randn(1, 1, 5)
conv = nn.Conv1d(in_channels=1, out_channels=1, kernel_size=3, stride=1, padding=0)
out = conv(input)

第一次卷积计算如下：

按照步长依次向后移动计算：

输出： 批大小：1， 数据的通道数：1， 数据长度： 3

运行结果：

2. 测试二：in_channels=1, out_channels=2

定义卷积如下： 输入通道：1， 输出通道：2， 卷积核：1 3 2 （两个 13，提取两维特征 ）*， 步长：1，填充：0
输入： 批大小：1， 数据的通道数：1， 数据长度： 5

import torch
import torch.nn as nn
input = torch.randn(1, 1, 5)
conv = nn.Conv1d(in_channels=1, out_channels=2, kernel_size=3, stride=1, padding=0)
out = conv(input)

输出： 批大小：1， 数据的通道数：2， 数据长度： 3

3. 测试三：in_channels=8, out_channels=1

定义卷积如下： 输入通道：8， 输出通道：1， 卷积核：8 * 3 * 1 ， 步长：1，填充：0
输入： 批大小：1， 数据的通道数：1， 数据长度： 7

import torch
import torch.nn as nn
input = torch.randn(1, 8, 7)
conv = nn.Conv1d(in_channels=8, out_channels=1, kernel_size=3, stride=1, padding=0)
out = conv(input)

输出： 批大小：1， 数据的通道数：1， 数据长度： 5

4. 测试四：in_channels=8, out_channels=2

定义卷积如下： 输入通道：8， 输出通道：2， 卷积核：8 * 3 * 2 ， 步长：1，填充：0
输入： 批大小：1， 数据的通道数：1， 数据长度： 7

import torch
import torch.nn as nn
input = torch.randn(1, 8, 7)
conv = nn.Conv1d(in_channels=8, out_channels=2, kernel_size=3, stride=1, padding=0)
out = conv(input)

输出： 批大小：1， 数据的通道数：2， 数据长度： 5

四、Conv1d 在文本中的应用 – TextCNN

论文：Convolutional Neural Networks for Sentence Classification

模型框架如下图所示。

假设我们需要对句子进行分类。句子中每个词是由 n 维词向量组成的，也就是说输入矩阵大小为 m*n，其中m为句子长度。 在 pytorch 中，从左往右卷积，因此要将输入维度调换，即（n, m）— (词向量维度， 句子长度)

如上图所示：输入维度是：（5， 7）：

import torch
import torch.nn as nn
input = torch.randn(1, 5, 7)

CNN需要对输入样本进行卷积操作，对于文本数据，有点类似于N-gram在提取词与词间的局部相关性。图中共有三种 kernel_size 的卷积，分别是2,3,4，每个 kernel_size 都有两个filter（实际训练时filter数量会很多）。在不同词窗上应用不同filter，最终得到6个卷积后的向量。

以 kernel_size = 4 为例：卷积核维度 （5， 4）

import torch
import torch.nn as nn
input = torch.randn(1, 5, 7)
conv = nn.Conv1d(in_channels=5, out_channels=1, kernel_size=4, stride=1, padding=0)
out = conv(input)

输出：

然后对每一个向量进行最大化池化操作并拼接各个池化值，最终得到这个句子的特征表示，将这个句子向量丢给分类器进行分类，至此完成整个流程。