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:
-
:输入值,NCL或NLC格式的3-D Tensor
-
:卷积核值,MCL格式的3-D Tensor
-
:卷积操作
-
:偏置值,2-D Tensor,形状为
[M,1]
示例
输入:
输入形状:
卷积核形状:
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。