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：

其中：

• \(X\) ：输入值，NCL或NLC格式的3-D Tensor

• \(W\) ：卷积核值，MCL格式的3-D Tensor

• \(*\) ：卷积操作

• \(b\) ：偏置值，2-D Tensor，形状为 [M,1]

• \(\sigma\) ：激活函数

• \(Out\) ：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"。

import paddle
from paddle.nn import Conv1D
import numpy as np
x = np.array([[[4, 8, 1, 9],
  [7, 2, 0, 9],
  [6, 9, 2, 6]]]).astype(np.float32)
w=np.array(
[[[9, 3, 4],
  [0, 0, 7],
  [2, 5, 6]],
 [[0, 3, 4],
  [2, 9, 7],
  [5, 6, 8]]]).astype(np.float32)
x_t = paddle.to_tensor(x)
conv = Conv1D(3, 2, 3)
conv.weight.set_value(w)
y_t = conv(x_t)
print(y_t)
# [[[133. 238.]
#   [160. 211.]]]