原文链接

单通道

第一个例子。假如现在有1000个信号谱，每个信号谱包含400个数据点。整个数据集维度是（1000，400），如何对信号谱进行一维卷积？首先，我们利用TensorFlow中的 tf.keras.layers.Conv1D 实现一维卷积。

TensorFlow

TensorFlow中一维卷积是自上而下做的，如下图所示。假设我们的卷积核是3。

对于上面的情况，用TensorFlow代码实现一次卷积和池化操作，代码如下：

input_shape = (1000, 400, 1)
x = tf.random.normal(input_shape)
conv1D = tf.keras.layers.Conv1D(1, 3, padding='valid')  #1是输出通道数，3是卷积核大小，不使用边界填充
max_pool_1d = tf.keras.layers.MaxPooling1D(pool_size=2,strides=1, padding='valid')
y= conv1D(x)
y = max_pool_1d(y)
print(y)

shape=(1000, 397, 1)

计算维度的公式如下：表示卷积核大小，表示使用边界填充，表示步长。

卷积后的维度：

池化后的维度：

在本例中，么有使用边界填充，卷积后的维度：400-3+1=398，池化后的维度：398-2+1=397。

PyTorch

在Pytorch中，一维卷积是自左向右做的，过程如下图所示。

import torch
import torch.nn as nn
# 定义网络
conv1 = nn.Conv1d(in_channels=1, out_channels=1, kernel_size=3)
maxp = nn.MaxPool1d(2, stride=1)  #stride的默认值是kernel_size
# 使用网络
input = torch.randn(1000, 1, 400)
y = conv1(input)
y = maxp(y)
print(y)

多通道

以上是对于一维信号谱数据做的一维卷积，信号谱数据通道是1，是一种比较简单的情况。然而，在文本分析中，每一个字都被编码，通道数不再是1，如下图所示，一句诗中的每个汉字都要被编码为一个1×8的数组，那么“长风破浪会有时”就由一个的数组表示。这种情况下，通道数就是8。

TensorFlow

因为上面数据的通道数是8，如果卷积核大小设置为3，则卷积核的维度为（3,8）。对上面的诗词数据进行卷积过程如下（仅展示了一个通道）：

假如现在有1000句诗，每句诗编码为（7,8）的维度，使用TensorFlow代码实现卷积和池化过程如下：

import tensorflow as tf
conv1D = tf.keras.layers.Conv1D(1, 3, padding='valid')
max_pool_1d = tf.keras.layers.MaxPooling1D(pool_size=2,strides=1, padding='valid')
input_shape = (1000, 7, 8)
x = tf.random.normal(input_shape)
y= conv1D(x)
y = max_pool_1d(y)
print(y)

上述代码输出shape=(1000, 4, 1)，这里的1是因为我们设置的通道数是1。如果通道数改成10，每一个通道的结果为（1000,4,1），10个通道的结果组合得到shape=(1000, 4, 10)，此时“长风破浪会有时”这句诗的维度由（7,8）变成（4,10）了。

值得注意的是，TensorFlow不需要指定数据的通道，只需指定卷积核大小即可，它会根据我们的输入维度来自动匹配卷积核维度。第一个信号谱的例子中，卷积核维度为（3,1）。诗句的例子中卷积的维度为（3,8）。

PyTorch

在Pytorch中，是自左向右进行卷积，长风破浪会有时应该如下表示：

Pytorch中卷积过程如下：

Pytroch实现代码如下:

import torch
import torch.nn as nn
conv1 = nn.Conv1d(in_channels=8, out_channels=1, kernel_size=3)
maxp = nn.MaxPool1d(2, stride=1)  #stride的默认值是kernel_size
input = torch.randn(1000, 8, 7)
y = conv1(input)
y = maxp(y)
print(y)

从Pytroch的代码中的in_channels=8可以知道，诗句中的每个字的数据通道为8。in_channels=8是我们必须指定的，切勿把7和8搞混了。

总结：以上分别介绍了TensorFlow中tf.keras.layers.Conv1D和Pytorch中nn.Conv1d的使用方法。TensorFlow中自上而下进行一维卷积核池化，Pytorch中则是自左向右进行一维卷积核池化。