torch.nn.functional.conv1d

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

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

Этот оператор поддерживает TensorFloat32.

См. Conv1d для получения подробной информации и формы вывода.

Примечание

В некоторых случаях, при использовании тензоров на устройстве CUDA и CuDNN, этот оператор может выбрать недетерминированный алгоритм для повышения производительности. Если это нежелательно, вы можете попытаться сделать операцию детерминированной (возможно, с потерей производительности) путем установки torch.backends.cudnn.deterministic = True. См. Воспроизводимость для получения дополнительной информации.

Примечание

Этот оператор поддерживает комплексные типы данных, т.е. complex32, complex64, complex128.

Параметры

• input – входной тензор формы $(\text{минь-батч} , \text{in\_channels} , iW)$
• weight – фильтры формы $(\text{out\_channels} , \frac{\text{in\_channels}}{\text{groups}} , kW)$
• bias – необязательный сдвиг формы $(\text{out\_channels})$. По умолчанию: None
• stride – шаг сверточного ядра. Может быть одним числом или одномерным кортежем (sW,). По умолчанию: 1

• padding –

  неявные добавления с обеих сторон входных данных. Может быть строкой {‘valid’, ‘same’}, одним числом или одномерным кортежем (padW,). По умолчанию: 0 padding='valid' эквивалентно отсутствию добавления. padding='same' добавляет входные данные, чтобы выход имел такую же форму, как вход. Однако этот режим не поддерживает значения шага, отличные от 1.

  Предупреждение

  Для padding='same', если weight имеет четную длину, а dilation является нечетным в любом измерении, может потребоваться полная операция pad() внутри. Это снижает производительность.

• dilation – расстояние между элементами ядра. Может быть одним числом или одномерным кортежем (dW,). По умолчанию: 1
• groups – разделить входные данные на группы, $\text{in\_channels}$ должно быть делимо на число групп. По умолчанию: 1

Примеры:

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