陕西省高速建设集团网站百度开放云平台

Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

• in_channels(int) – 输入信号的通道。在文本分类中，即为词向量的维度
• out_channels(int) – 卷积产生的通道。有多少个out_channels，就需要多少个1维卷积
• kernel_size(int or tuple) - 卷积核的尺寸，卷积核的大小为(k,)，第二个维度是由in_channels来决定的，所以实际上卷积大小为kernel_size*in_channels
• stride(int or tuple, optional) - 卷积步长
• padding (int or tuple, optional)- 输入的每一条边补充0的层数
• dilation(int or tuple, `optional``) – 卷积核元素之间的间距
• groups(int, optional) – 从输入通道到输出通道的阻塞连接数
• bias(bool, optional) - 如果bias=True，添加偏置

在一维卷积中，卷积核的尺寸实际上等于：

kernel_size* in_channels

这里可以认为in_channels即词向量的长度（固定长度），而kernel_size决定卷积核沿着语句长度（或者说时间序列长度）移动的大小。

一般来说我们自己的数据格式为（b，s，e），b是batch_size，s是时间序列sequence，e是词向量embeding。

但根据实验，conv1d貌似是在最后一维扫描我们的时间序列，所以需要对我们的数据格式进行修改。

# data[b,s,e]
data = data.permute(0,2,1)  # data[b,s,e] -> data[b,e,s]