网站开发和优化关系,代做网站推广的公司哪家好,网站建设组织管理怎么写,湖州南浔建设局网站通读了从论文中找的代码#xff0c;终于找到这个痛点了#xff01; 以下详解nn.Conv1d方法 1 参数说明
in_channels(int) – 输入信号的通道。
out_channels(int) – 卷积产生的通道。
kernel_size(int or tuple) - 卷积核的尺寸#xff0c;经测试后卷积核的大小应为in_cha…通读了从论文中找的代码终于找到这个痛点了 以下详解nn.Conv1d方法 1 参数说明
in_channels(int) – 输入信号的通道。
out_channels(int) – 卷积产生的通道。
kernel_size(int or tuple) - 卷积核的尺寸经测试后卷积核的大小应为in_channels行*kernel_size列
stride(int or tuple, optional) - 卷积步长
padding(int or tuple, optional) - 输入的每一条边补充0的层数
dilation(int or tuple, optional) – 卷积核元素之间的间距
groups(int, optional) – 从输入通道到输出通道的阻塞连接数
bias(bool, optional) - 如果bias True添加偏置2、具体例子
import torch
import torch.nn as nn
# 创建输入张量
# 可以看作三维数组举个例子65个句子
# 每个句子有9个字每个字生成了144维的词向量
x torch.randn(65, 9, 144)
# 创建卷积
conv nn.Conv1d(in_channels9, out_channels64, kernel_size16,stride8)
out conv(x)
print(out.shape)输出结果torch.Size([65, 64, 17]) 解释卷积操作后的参数分别表示batch数量与in_channels相关、卷积核数量与out_channels相关、卷积结果的数量与kernel_size和stride相关。 前两个参数好理解最后一个参数再详细说一下在计算时可以直接忽略第一个参数直接当做一个9x144的二维数组和一个9x16的卷积核做卷积运算卷积核移动步长为8: 如上图所示这是其中一个卷积核在数据上的前两步计算过程。
