Класс Conv1d

Класс Conv1d создает одномерный сверточный слой для обработки последовательных данных. Он применяется к входному тензору формы (batch_size, in_channels, length). Основные параметры: количество входных каналов in_channels, выходных каналов out_channels, размер ядра kernel_size. Также можно задать шаг stride, дополнение padding, расширение dilation и количество групп groups.

Синтаксис

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

Пример простейшей свертки

Создадим сверточный слой с одним входным каналом, одним выходным и ядром размера 3:

import torch
import torch.nn as nn

conv = nn.Conv1d(in_channels=1, out_channels=1, kernel_size=3)
t = torch.tensor([[[1.0, 2.0, 3.0, 4.0, 5.0]]])
res = conv(t)
print(res)

Результат выполнения кода (значения будут случайными из-за инициализации весов):

tensor([[[ 0.1283, 0.2272, 0.3129]]], grad_fn=<SqueezeBackward1>)

Пример с заданными весами

Зададим веса и смещение вручную, чтобы увидеть точный результат свертки:

import torch
import torch.nn as nn

conv = nn.Conv1d(in_channels=1, out_channels=1, kernel_size=3)
with torch.no_grad():
	conv.weight.fill_(1.0)
	conv.bias.fill_(0.0)

t = torch.tensor([[[1.0, 2.0, 3.0, 4.0, 5.0]]])
res = conv(t)
print(res)

Результат выполнения кода:

tensor([[[ 6., 9., 12.]]])

Пример с несколькими входными каналами

Создадим слой с двумя входными каналами, тремя выходными и ядром размера 2:

import torch
import torch.nn as nn

conv = nn.Conv1d(in_channels=2, out_channels=3, kernel_size=2)
t = torch.randn(1, 2, 5)
res = conv(t)
print(res.shape)

Результат выполнения кода:

torch.Size([1, 3, 4])

Пример с параметром stride

Используем шаг stride=2, чтобы уменьшить длину выходной последовательности:

import torch
import torch.nn as nn

conv = nn.Conv1d(in_channels=1, out_channels=1, kernel_size=3, stride=2)
with torch.no_grad():
	conv.weight.fill_(1.0)
	conv.bias.fill_(0.0)

t = torch.tensor([[[1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0]]])
res = conv(t)
print(res)

Результат выполнения кода:

tensor([[[ 6., 12., 18.]]])

Пример с дополнением padding

Добавим дополнение padding=1, чтобы сохранить длину последовательности:

import torch
import torch.nn as nn

conv = nn.Conv1d(in_channels=1, out_channels=1, kernel_size=3, padding=1)
with torch.no_grad():
	conv.weight.fill_(1.0)
	conv.bias.fill_(0.0)

t = torch.tensor([[[1.0, 2.0, 3.0, 4.0, 5.0]]])
res = conv(t)
print(res)

Результат выполнения кода:

tensor([[[ 3., 6., 9., 12., 9.]]])

Смотрите также

класс Conv2d,
который реализует двумерную свертку для изображений
класс Conv3d,
который реализует трехмерную свертку для объемных данных
класс MaxPool1d,
который выполняет максимальную пулингизацию по одномерным данным
класс ConvTranspose1d,
который выполняет транспонированную свертку для увеличения размерности