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]

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:

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

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

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

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

如果 padding = "SAME":

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

如果 padding = "VALID":

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

参数

  • x (Tensor) - 输入是形状为 \([N, C, L]\)\([N, L, C]\) 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 Name,一般无需设置,默认值为 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

x = paddle.to_tensor([[[4, 8, 1, 9],
                       [7, 2, 0, 9],
                       [6, 9, 2, 6]]], dtype="float32")
w = paddle.to_tensor([[[9, 3, 4],
                       [0, 0, 7],
                       [2, 5, 6]],
                      [[0, 3, 4],
                       [2, 9, 7],
                       [5, 6, 8]]], dtype="float32")

y = F.conv1d(x, w)
print(y)
# Tensor(shape=[1, 2, 2], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [[[133., 238.],
#          [160., 211.]]])