Conv1D

class paddle.nn. Conv1D ( in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, padding_mode=’zeros’, weight_attr=None, bias_attr=None, data_format=’NCL’ ) [源代码]

一维卷积层

该OP是一维卷积层（convolution1d layer），根据输入、卷积核、步长（stride）、填充（padding）、空洞大小（dilations）一组参数计算输出特征层大小。输入和输出是NCL或NLC格式，其中N是批尺寸，C是通道数，L是特征长度。卷积核是MCL格式，M是输出特征通道数，C是输入特征通道数，L是卷积核长度度。如果组数(groups)大于1，C等于输入图像通道数除以组数的结果。详情请参考UFLDL’s : 卷积 。如果bias_attr不为False，卷积计算会添加偏置项。

对每个输入X，有等式：

Conv1D - 图1

其中：

  • Conv1D - 图2

    ：输入值，NCL或NLC格式的3-D Tensor

  • Conv1D - 图3

    ：卷积核值，MCL格式的3-D Tensor

  • Conv1D - 图4

    ：卷积操作

  • Conv1D - 图5

    ：偏置值，2-D Tensor，形状为 [M,1]

  • Conv1D - 图6

    ：激活函数

  • OutOut ：输出值，NCL或NLC格式的3-D Tensor， 和 X 的形状可能不同

参数：

  • in_channels (int) - 输入特征的通道数。

  • out_channels (int) - 由卷积操作产生的输出的通道数。

  • kernel_size (int|list|tuple) - 卷积核大小。可以为单个整数或包含一个整数的元组或列表，表示卷积核的长度。

  • stride (int|list|tuple，可选) - 步长大小。可以为单个整数或包含一个整数的元组或列表，表示卷积的步长。默认值：1。

  • padding (int|list|tuple|str，可选) - 填充大小。可以是以下三种格式：（1）字符串，可以是”VALID”或者”SAME”，表示填充算法，计算细节可参考下述 padding = “SAME”或 padding = “VALID” 时的计算公式。（2）整数，表示在输入特征两侧各填充 padding 大小的0。（3）包含一个整数的列表或元组，表示在输入特征两侧各填充 padding[0] 大小的0. 默认值：0。

  • dilation (int|list|tuple，可选) - 空洞大小。可以为单个整数或包含一个整数的元组或列表，表示卷积核中的元素的空洞。默认值：1。

  • groups (int，可选) - 一维卷积层的组数。根据Alex Krizhevsky的深度卷积神经网络（CNN）论文中的成组卷积：当group=n，输入和卷积核分别根据通道数量平均分为n组，第一组卷积核和第一组输入进行卷积计算，第二组卷积核和第二组输入进行卷积计算，……，第n组卷积核和第n组输入进行卷积计算。默认值：1。

  • padding_mode (str, 可选): 填充模式。 包括 'zeros', 'reflect', 'replicate' 或者 'circular'. 默认值: 'zeros' .

  • weight_attr (ParamAttr，可选) - 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。

  • bias_attr （ParamAttr|bool，可选）- 指定偏置参数属性的对象。若 bias_attr 为bool类型，只支持为False，表示没有偏置参数。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 ParamAttr 。

  • data_format (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是”NCL”和”NLC”。N是批尺寸，C是通道数，L是特征长度。默认值：”NCL”。

属性

weight

本层的可学习参数，类型为 Parameter

bias

本层的可学习偏置，类型为 Parameter

形状:

  • 输入: (N，Cin，Lin)(N，Cin，Lin)

  • 输出: (N，Cout，Lout)(N，Cout，Lout)

其中:

Lout=(Lin+2∗padding−(dilation∗(kernel_size−1)+1))stride+1Lout=(Lin+2∗padding−(dilation∗(kernel_size−1)+1))stride+1

如果 padding = “SAME”:

Lout=(Lin+stride−1)strideLout=(Lin+stride−1)stride

如果 padding = “VALID”:

Lout=(Lin−(dilation∗(kernel_size−1)+1))stride+1Lout=(Lin−(dilation∗(kernel_size−1)+1))stride+1

代码示例：

  1. import paddle
  2. from paddle.nn import Conv1D
  3. import numpy as np
  4. x = np.array([[[4, 8, 1, 9],
  5.   [7, 2, 0, 9],
  6.   [6, 9, 2, 6]]]).astype(np.float32)
  7. w=np.array(
  8. [[[9, 3, 4],
  9.   [0, 0, 7],
  10.   [2, 5, 6]],
  11.  [[0, 3, 4],
  12.   [2, 9, 7],
  13.   [5, 6, 8]]]).astype(np.float32)
  14. x_t = paddle.to_tensor(x)
  15. conv = Conv1D(3, 2, 3)
  16. conv.weight.set_value(w)
  17. y_t = conv(x_t)
  18. print(y_t)
  19. # [[[133. 238.]
  20. #   [160. 211.]]]

使用本API的教程文档