Skip to content

Latest commit

 

History

History
79 lines (51 loc) · 4.48 KB

Conv1D_cn.rst

File metadata and controls

79 lines (51 loc) · 4.48 KB
Raw

Conv1D

一维卷积层

根据输入、卷积核、步长（stride）、填充（padding）、空洞大小（dilations）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 是特征长度。卷积核是 MCL 格式，M 是输出特征通道数，C 是输入特征通道数，L 是卷积核长度度。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 : 卷积 。如果 bias_attr 不为 False，卷积计算会添加偏置项。

对每个输入 X，有等式：


Out = σ(W*X+b)

其中：

  • X：输入值，NCL 或 NLC 格式的 3-D Tensor
  • W：卷积核值，MCL 格式的 3-D Tensor
  • *：卷积操作
  • b：偏置值，1-D Tensor，形状为 [M]
  • σ：激活函数
  • Out：输出值，NCL 或 NLC 格式的 3-D Tensor，和 X 的形状可能不同

参数

  • in_channels (int) - 输入特征的通道数。
  • out_channels (int) - 由卷积操作产生的输出的通道数。
  • kernel_size (inttuple) - 卷积核大小。可以为单个整数或包含一个整数的元组或列表，表示卷积核的长度。
  • stride (inttuple，可选) - 步长大小。可以为单个整数或包含一个整数的元组或列表，表示卷积的步长。默认值：1。
  • padding (inttuple|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 padding = "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 (inttuple，可选) - 空洞大小。可以为单个整数或包含一个整数的元组或列表，表示卷积核中的元素的空洞。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。
  • padding_mode (str，可选) - 填充模式。包括 'zeros', 'reflect', 'replicate' 或者 'circular'。默认值：'zeros' 。
  • weight_attr (ParamAttr，可选) - 指定权重参数属性的对象。默认值为 None，表示使用默认的权重参数属性。具体用法请参见 cn_api_paddle_ParamAttr 。
  • bias_attr (ParamAttr|bool，可选) - 指定偏置参数属性的对象。若 bias_attr 为 bool 类型，只支持为 False，表示没有偏置参数。默认值为 None，表示使用默认的偏置参数属性。具体用法请参见 cn_api_paddle_ParamAttr 。
  • 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"。

属性

  • weight - 本层的可学习参数，类型为 Parameter
  • bias - 本层的可学习偏置，类型为 Parameter

形状

  • 输入：(N，Cin，Lin)
  • 卷积核：(Cout，Cin，K)
  • 偏置：(Cout)
  • 输出：(N，Cout，Lout)

其中：

$$L_{out} = \frac{(L_{in} + 2 * padding - (dilation * (kernel\_size - 1) + 1))}{stride} + 1$$

如果 padding = "SAME":

$$L_{out} = \frac{(L_{in} + stride - 1)}{stride}$$

如果 padding = "VALID":

$$L_{out} = \frac{\left ( L_{in} -\left ( dilation*\left ( kernel\_size-1 \right )+1 \right ) \right )}{stride}+1$$

代码示例

COPY-FROM: paddle.nn.Conv1D