PaddlePaddle

 paddle.nn / Conv1D


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:

\[Out = \sigma \left ( W * X + b \right )\]
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"。

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: \((N, C_{in}, L_{in})\)

  • 输出: \((N, C_{out}, L_{out})\)

其中:

\[L_{out} = \frac{(L_{in} + 2 * padding - (dilation * (kernel\_size - 1) + 1))}{stride} + 1\]

如果 padding = "SAME":

\[L_{out} = \frac{(L_{in} + stride - 1)}{stride}\]

如果 padding = "VALID":

\[L_{out} = \frac{\left ( L_{in} -\left ( dilation*\left ( kernel\_size-1 \right )+1 \right ) \right )}{stride}+1\]

代码示例

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.]]]

此页内容是否对您有帮助