conv1d¶

paddle.nn.functional. conv1d ( x, weight, bias=None, stride=1, padding=0, dilation=1, groups=1, data_format='NCL', name=None ) [源代码] ¶

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（dilation）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是长度。卷积核是MCL格式，M是输出图像通道数，C是输入图像通道数，L是卷积核长度。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。如果指定了激活函数类型，相应的激活函数会作用在最终结果上。

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

示例

• 输入：

  输入形状：\(（N,C_{in},L_{in}）\)

  卷积核形状： \(（C_{out},C_{in},L_{f}）\)

• 输出：

  输出形状： \(（N,C_{out},L_{out}）\)

其中

如果 padding = "SAME":

如果 padding = "VALID":

参数：

• x (Tensor) - 输入是形状为 \([N, C, L]\) 或 \([N, L, C]\) 的4-D Tensor，N是批尺寸，C是通道数，L是特征长度，数据类型为float16, float32或float64。

• weight (Tensor)) - 形状为 \([M, C/g, kL]\) 的卷积核。 M是输出通道数， g是分组的个数，kL是卷积核的长度度。

• bias (int|list|tuple，可选) - 偏置项，形状为： \([M,]\) 。

• stride (int|list|tuple，可选) - 步长大小。卷积核和输入进行卷积计算时滑动的步长。整数或包含一个整数的列表或元组。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。空洞卷积时会使用该参数，卷积核对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。整数或包含一个整型数的列表或元组。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。

• 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"。

• name (str，可选) – 具体用法请参见 cn_api_guide_Name ，一般无需设置，默认值：None。

返回：3-D Tensor，数据类型与 x 一致。返回卷积的结果。

代码示例：

import paddle
import paddle.nn.functional as F
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_var = paddle.to_tensor(x)
w_var = paddle.to_tensor(w)
y_var = F.conv1d(x_var, w_var)
y_np = y_var.numpy()
print(y_np)

# [[[133. 238.]
#   [160. 211.]]]