conv1d

    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 : 。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：

    • conv1d - 图1

      ：输入值，NCL或NLC格式的3-D Tensor

    • ：卷积核值，MCL格式的3-D Tensor

    • conv1d - 图2

      ：卷积操作

    • ：偏置值，2-D Tensor，形状为 [M,1]

    • conv1d - 图3

    示例

    • 输入：

      输入形状：

      卷积核形状：

      conv1d - 图4

    • 输出：

      输出形状： （N,Cout,Lout）（N,Cout,Lout）

    其中

    Lout\=(Lin+padding∗2−(dilation∗(Lf−1)+1))stride+1Lout\=(Lin+padding∗2−(dilation∗(Lf−1)+1))stride+1

    如果 = “SAME”:

    如果 padding = “VALID”:

    Lout\=(Lin−(dilation∗(Lf−1)+1))stride+1Lout\=(Lin−(dilation∗(Lf−1)+1))stride+1

    参数：

    • x (Tensor) - 输入是形状为 [N,C,L][N,C,L] 或 [N,L,C][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][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,][M,] 。

    • 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 = “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 一致。返回卷积的结果。