本文共 2583 字，大约阅读时间需要 8 分钟。

一维卷积nn.Conv1d

一般来说，一维卷积nn.Conv1d用于文本数据，只对宽度进行卷积，对高度不卷积。通常，输入大小为word_embedding_dim * max_length，其中，word_embedding_dim为词向量的维度，max_length为句子的最大长度。卷积核窗口在句子长度的方向上滑动，进行卷积操作。

定义

class torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

主要参数说明：

• in_channels：在文本应用中，即为词向量的维度
• out_channels：卷积产生的通道数，相当于是将词向量的维度从in_channels变成了out_channels
• kernel_size：卷积核的尺寸；卷积核的第二个维度由in_channels决定，所以实际上卷积核的大小为kernel_size * in_channels
• padding：对输入的每一条边，补充0的层数

代码示例

conv1 = nn.Conv1d(in_channels=256, out_channels=100, kernel_size=2)input = torch.randn(32, 35, 256)input = input.permute(0, 2, 1)   # （32, 35, 256） => (32, 256, 35)output = conv1(input)  # (32, 100, 34)

要使用permute是因为nn.Conv1d是对输入的最后一个维度卷积，所以要把句子长度所在的那个维度变换到最后。

上面的代码只使用了一个卷积核，如果要使用多个卷积核应该使用nn.ModuleList和for循环。

import torchimport torch.nn as nnwindow_sizes = [2,3,4]convs = nn.ModuleList([            nn.Sequential(nn.Conv1d(in_channels=8,                                     out_channels=4,                                     kernel_size=h),                          nn.ReLU())                          for h in window_sizes                    ])embed = torch.randn(2, 16, 8)embed = embed.transpose(1,2)output = [conv(embed) for conv in convs]#print(output)for x in output:    print(x.size())'''输出torch.Size([2, 4, 15])torch.Size([2, 4, 14])torch.Size([2, 4, 13])'''

二维卷积nn.Conv2d

一般来说，二维卷积nn.Conv2d用于图像数据，对宽度和高度都进行卷积。

定义

class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

代码示例

class CNN(nn.Module):    def __init__(self):        nn.Model.__init__(self)         self.conv1 = nn.Conv2d(1, 6, 5)  # 输入通道数为1，输出通道数为6        self.conv2 = nn.Conv2d(6, 16, 5)  # 输入通道数为6，输出通道数为16        self.fc1 = nn.Linear(5 * 5 * 16, 120)        self.fc2 = nn.Linear(120, 84)        self.fc3 = nn.Linear(84, 10)    def forward(self,x):        '''			总共有2个卷积层，每一层的结构都是卷积->relu->max_pool		'''		# 第一层        x = self.conv1(x)   # 32*32*1 => 28*28*6        x = F.relu(x)        x = F.max_pool2d(x, 2)  # 28*28*6 => 14*14*6        # 第二层        x = self.conv2(x)     # 14*14*6 => 10*10*16        x = F.relu(x)        x = F.max_pool2d(x, 2)   # 10*10*16 => 5*5*16        # view函数将张量x变形成一维向量形式，总特征数不变，为全连接层做准备        x = x.view(x.size()[0], -1)   # 5*5*16 => 400*1        x = F.relu(self.fc1(x))       # 400*1 => 120 * 1        x = F.relu(self.fc2(x))       # 120*1 => 84*1        x = self.fc3(x)               # 84*1 => 10*1        return x

转载地址：http://qwrn.baihongyu.com/