5.2 Conv1d
conv1d 是一维卷积，它和 conv2d 的区别在于只对宽度进行卷积，对高度不卷积。
5.2.1 函数定义
torch.nn.functional.conv1d(input, weight, bias=None, stride=1, padding=0, dilation=
5.2.2 参数说明
input：输入的Tensor数据，格式为 (batch,channels,W)，三维数组，第一维度是样本数量，第二维度是通道数或者记录数，三维度是宽度。
weight：卷积核权重，也就是卷积核本身。是一个三维数组，(out_channels, in_channels/groups, kW)。 out_channels 是卷积核输出层的神经元个数，也就是这层有多少个卷积核；in_channels 是输入通道数；kW 是卷积核的宽度。
bias：位移参数，可选项，一般也不用管。
stride：滑动窗口，默认为 1，指每次卷积对原数据滑动 1 个单元格。
padding：是否对输入数据填充 0。Padding 可以将输入数据的区域改造成是卷积核大小的整数倍，这样对不满足卷积核大小的部分数据就不会忽略了。通过 padding 参数指定填充区域的高度和宽度，默认 0（就是填充区域为0，不填充的意思）。
ilation：卷积核之间的空格，默认 1。
groups：将输入数据分组，通常不用管这个参数，没有太大意义。
5.2.3 测试代码
import torch from torch.autograd import Variable import torch.nn as nn import torch.nn.functional as F print("conv1d sample") a=range(16) x = Variable(torch.Tensor(a)) x=x.view(1,1,16) print("x variable:", x) b=torch.ones(3) b[0]=0.1 b[1]=0.2 b[2]=0.3 weights = Variable(b) weights=weights.view(1,1,3) print ("weights:",weights) y=F.conv1d(x, weights, padding=0) print ("y:",y)
5.2.4 最终结果
我们看看它是怎么计算的：
（1）原始数据大小是 0-15 的一共 16 个数字，卷积核宽度是 3，向量是 [0.1,0.2,0.3]。
我们看第一个卷积是对 x[0:3] 共 3 个值 [0,1,2] 进行卷积，公式如下：
0 * 0.1+1 * 0.2+2 * 0.3=0.8
（2）对第二个目标卷积，是 x[1:4] 共 3 个值 [1,2,3] 进行卷积，公式如下：
1 * 0.1+2 * 0.2+3 * 0.3=1.4
看到和计算结果完全一致！
该图就是conv1d的示意图，和conv2d的区别就是只对宽度卷积，不对高度卷积。最后结果的宽度是原始数据的宽度减去卷积核的宽度再加上
1，这里就是 14。
所以最终卷积之后的结果一共是 14 个数值，显示如下：
我们再看看输入数据有多个通道的情况：
5.2.5 核心代码
print("conv1d sample") a=range(16) x = Variable(torch.Tensor(a)) x=x.view(1,2,8) print("x variable:", x) b=torch.ones(6) b[0]=0.1 b[1]=0.2 b[2]=0.3 weights = Variable(b) weights=weights.view(1,2,3) print ("weights:",weights) y=F.conv1d(x, weights, padding=0) print ("y:",y)
我们看看返回结果第一个元素 27.8 是怎么计算出来的，这时候卷积核有 2 个通道：
[0.1,0.2,0.3] 和 [1,1,1]
第 1 个卷积对象也有 2 个通道：[0,1,2] 和 [8,9,10]
结果是 2 个卷积核分别对应 2 个输入通道进行卷积然后求和。
卷积核对第 1 个卷积对象的卷积值：(0.1 * 0+0.2 * 1+0.3 * 2)+(1 * 8+1 * 9+1 * 10)=27.8
第2个卷积对象也有 2 个通道：[1,2,3] 和 [9,10,11]
卷积核对第 2 个卷积对象的卷积值：(0.1 * 1+0.2 * 2+0.3 * 3)+(1 * 9+1 * 10+1 * 11)=31.4，和 pytorch 计算结果相同。
六、池化层
池化层比较容易理解，就是将多个元素用一个统计值来表示。
那为什么要池化呢？
比如对于一个图像来说，单个的像素其实不代表什么含义。统计值可以取最大值，也可以取平均值，用不同的池化函数来表示。
6.1 max_pool2d
对于二维最大值池化来说，用 torch.nn.functional. F.max_pool2d 方法来操作。
比如：
import torch.nn.functional as F from torch.autograd import Variable print("conv2d sample") a=range(20) x = Variable(torch.Tensor(a)) x=x.view(1,1,4,5) print("x variable:", x) y=F.max_pool2d(x, kernel_size=2,stride=2) print ("y:",y)
最后显示结果如下图：
x 是 4*5 的矩阵，表示高度 4，宽度 5，一个样本，每个样本一个通道。
x=x.view(1,1,4,5) 意思是将 x 矩阵转换成 (1,1,4,5) 的四维矩阵，第一个 1 是样本数，第二个 1 是通道数，第三个 4 和第四个 5 是高度和宽度。
b=F.max_pool2d(x, kernel_size=2,stride=2) 中的参数 2 表示池化的核大小是 2，也就是 (2,2)，表示核是一个行 2 列 2 的矩阵，每两行两列池化成一个数据。比如：
[[1,2],
[3,4]]
会被池化成最大的数，就是 4。
stride=2 表示滑动窗口为 2，第一个池化对象之后相隔 2 个元素距离，如果剩下的不够池化核的尺寸，则忽略掉不作池化处理。
第 1 个池化目标是 [[0,1],[5,6]]，因此最大池化结果是 6；第 2 个池化目标是 [[2,3],[7,8]]，因此最大池化结果是 8。
max_pool2d 方法的说明如下：
torch.nn.functional.max_pool2d(input, kernel_size, stride=None, padding=0, dilation=1
那么具体的各个参数的含义说明如下：
input：输入的 Tensor 数据，格式为 (channels,H，W)，三维数组，第一维度是通道数或者记录数，二、三维度是高度和宽度。
kernel_size：池化区的大小，指定宽度和高度 (kh x kw)，如果只有一个值则表示宽度和高度相同。
stride：滑动窗口，默认和 kernel_size 相同值，这样在池化的时候就不会重叠。如果设置的比 kernel_size 小，则池化时会重叠。它也是高度和宽度两个值。
padding：是否对输入在左前端填充 0。池化时，如果剩余的区域不够池化区大小，则会丢弃掉。 Padding 可以将输入数据的区域改造成是池化核的整数倍，这样就不会丢弃掉原始数据了。Padding 也是指定填充区域的高度和宽度，默认 0（就是填充区域为 0，不填充的意思）。
ceil_mode：在计算输出 shape 大小时按照 ceil 还有 floor 计算，是数序函数（如ceil(4.5)=5;floor(4.5)=4）。
count_include_pad：为 True 时，在求平均时会包含 0 填充区域的大小。这个参数只有在 avg_pool2d 并且 padding 参数不为 0 时才有意义。
6.2 avg_pool2d
那么同样的，avg_pool2d 和 max_pool2d 的计算原理是一样的！只不过avg_pool2d 取的是平均值，而不是最大值而已。这里就不重复说明计算过程了。
6.3 max_pool1d
max_pool1d 和 max_pool2d 的区别和卷积操作类似，也是只对宽度进行池化。
先看看示例代码：
print("conv1d sample") a=range(16) x = Variable(torch.Tensor(a)) x=x.view(1,1,16) print("x variable:", x) y=F.max_pool1d(x, kernel_size=2,stride=2) print ("y:",y)
输出结果：
max_pool1d 方法对输入参数的最后一个维度进行最大池化。
第一个池化目标 [0,1]，池化输出 1；
第二个池化目标 [2,3]，池化输出 3；
……
最后结果就是这样计算得来的。
同样，我们仿照卷积操作再看看多通道的池化示例。代码：
print("conv1d sample") a=range(16) x = Variable(torch.Tensor(a)) x=x.view(1,2,8) print("x variable:", x) y=F.max_pool1d(x, kernel_size=2,stride=2) print ("y:",y)
输出结果：
可以看到通道数保持不变。
七、后记
好的，恭喜你看完了本文的全部内容！其余的知识点，会在基于PyTorch的深度学习实战的下篇和补充篇分享，会在下周放出！如果有兴趣跟着我学习的话，请在这周复习回顾并尽量手敲代码来体验并加深理解。下周见！
