torch.nn.functional.conv1d

torch.nn.functional.conv1d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1) → Tensor [исходный код]

Применяет одномерную свёртку к входному сигналу, состоящему из нескольких входных плоскостей.

Этот оператор поддерживает TensorFloat32.

Подробную информацию и форму выходных данных см. в описании Conv1d.

Примечание

В некоторых случаях при использовании тензоров на устройстве CUDA и CuDNN этот оператор может выбрать недетерминированный алгоритм для повышения производительности. Если это нежелательно, можно попытаться сделать операцию детерминированной (возможно, ценой снижения производительности), установив torch.backends.cudnn.deterministic = True. Дополнительные сведения см. в разделе Воспроизводимость.

Примечание

Этот оператор поддерживает комплексные типы данных, то есть complex32, complex64, complex128.

Параметры:

• input – входной тензор формы $(\text{minibatch} , \text{in\_channels} , iW)$
• weight – фильтры формы $(\text{out\_channels} , \frac{\text{in\_channels}}{\text{groups}} , kW)$
• bias – необязательное смещение формы $(\text{out\_channels})$. По умолчанию: None
• stride – шаг свёрточного ядра. Может быть одним числом или кортежем из одного элемента (sW,). По умолчанию: 1

• padding –

  неявные отступы с обеих сторон входных данных. Может быть строкой {‘valid’, ‘same’}, одним числом или кортежем из одного элемента (padW,). По умолчанию: 0 padding='valid' означает отсутствие отступов. padding='same' добавляет отступы к входным данным так, чтобы форма выходных данных совпадала с формой входных. Однако этот режим не поддерживает значения шага, отличные от 1.

  Предупреждение

  Для padding='same', если weight имеет чётную длину, а dilation — нечётное значение хотя бы в одном измерении, внутри может потребоваться выполнить полную операцию pad(). Это снижает производительность.

• dilation – расстояние между элементами ядра. Может быть одним числом или кортежем из одного элемента (dW,). По умолчанию: 1
• groups – разделение входных данных на группы; $\text{in\_channels}$ должно делиться на число групп. По умолчанию: 1

Примеры:

>>> inputs = torch.randn(33, 16, 30)
>>> filters = torch.randn(20, 16, 5)
>>> F.conv1d(inputs, filters)