mindspore.nn.Conv1d

class mindspore.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, pad_mode='same', padding=0, dilation=1, group=1, has_bias=False, weight_init='normal', bias_init='zeros')[源代码]

一维卷积层。

对输入Tensor计算一维卷积，该Tensor的shape通常为 \((N, C_{in}, L_{in})\) ，其中 \(N\) 是batch size， \(C_{in}\) 是空间维度，\(L_{in}\) 是序列的长度。 对于每个batch中的Tensor，其shape为 \((C_{in}, L_{in})\) ，公式定义如下：

\[\text{out}(N_i, C_{\text{out}_j}) = \text{bias}(C_{\text{out}_j}) + \sum_{k = 0}^{C_{in} - 1} \text{ccor}({\text{weight}(C_{\text{out}_j}, k), \text{X}(N_i, k)})\]

其中， \(ccor\) 为 cross-correlation ， \(C_{in}\) 为输入空间维度， \(out_{j}\) 对应输出的第 \(j\) 个空间维度，\(j\) 的范围在 \([0，C_{out}-1]\) 内。 \(\text{weight}(C_{\text{out}_j}, k)\) 是shape为 \(\text{kernel_size}\) 的卷积核切片，其中 \(\text{kernel_size}\) 是卷积核的宽度。 \(\text{bias}\) 为偏置参数， \(\text{X}\) 为输入Tensor。 完整卷积核的shape为 \((C_{out}, C_{in} / \text{group}, \text{kernel_size})\) ，其中 group 是在空间维度上分割输入 x 的组数。 详细介绍请参考论文 Gradient Based Learning Applied to Document Recognition 。

Note

在Ascend平台上，目前只支持深度卷积场景下的分组卷积运算。也就是说，当 group>1 的场景下，必须要满足 in_channels = out_channels = group 的约束条件。

参数：

  • in_channels (int) - Conv1d层输入Tensor的空间维度。

  • out_channels (int) - Conv1d层输出Tensor的空间维度。

  • kernel_size (int) - 指定一维卷积核的宽度。

  • stride (int) - 一维卷积核的移动步长，默认值：1。

  • pad_mode (str) - 指定填充模式。可选值为 “same”，”valid”，”pad”。默认值：”same”。

    • same：输出的宽度与输入整除 stride 后的值相同。若设置该模式，padding 的值必须为0。

    • valid：在不填充的前提下返回有效计算所得的输出。不满足计算的多余像素会被丢弃。如果设置此模式，则 padding 的值必须为0。

    • pad：对输入进行填充。在输入对两侧填充 padding 大小的0。如果设置此模式， padding 的值必须大于或等于0。

  • padding (int) - 输入两侧填充的数量。值应该要大于等于0，默认值：0。

  • dilation (int) - 一维卷积核膨胀尺寸。若 \(k > 1\) ，则kernel间隔 k 个元素进行采样。 k 取值范围为[1, L]。默认值：1。

  • group (int) - 将过滤器拆分为组， in_channels 和 out_channels 必须可被 group 整除。默认值：1。

  • has_bias (bool) - Conv1d层是否添加偏置参数。默认值：False。

  • weight_init (Union[Tensor, str, Initializer, numbers.Number]) - 权重参数的初始化方法。它可以是Tensor，str，Initializer或numbers.Number。当使用str时，可选”TruncatedNormal”，”Normal”，”Uniform”，”HeUniform”和”XavierUniform”分布以及常量”One”和”Zero”分布的值，可接受别名”xavier_uniform”，”he_uniform”，”ones”和”zeros”。上述字符串大小写均可。更多细节请参考Initializer的值。默认值：”normal”。

  • bias_init (Union[Tensor, str, Initializer, numbers.Number]) - 偏置参数的初始化方法。可以使用的初始化方法与”weight_init”相同。更多细节请参考Initializer的值。默认值：”zeros”。

输入：

  • x (Tensor) - shape为 \((N, C_{in}, L_{in})\) 的Tensor。

输出：

Tensor，shape为 \((N, C_{out}, L_{out})\) 。

pad_mode为”same”时：

\[L_{out} ＝ \left \lceil{\frac{L_{in}}{\text{stride}}} \right \rceil\]

pad_mode为”valid”时：

\[L_{out} ＝ \left \lceil{\frac{L_{in} - \text{dilation} \times (\text{kernel_size} - 1) } {\text{stride}}} \right \rceil\]

pad_mode为”pad”时：

\[L_{out} ＝ \left \lfloor{\frac{L_{in} + 2 \times padding - (\text{kernel_size} - 1) \times \text{dilation} - 1 }{\text{stride}} + 1} \right \rfloor\]
异常：

  • TypeError - in_channels 、 out_channels 、 kernel_size 、 stride 、 padding 或 dilation 不是int。

  • ValueError - in_channels 、 out_channels 、 kernel_size 、 stride 或 dilation 小于1。

  • ValueError - padding 小于0。

  • ValueError - pad_mode 不是”same”，”valid”或”pad”。

支持平台：

Ascend GPU CPU

样例：

>>> net = nn.Conv1d(120, 240, 4, has_bias=False, weight_init='normal')
>>> x = Tensor(np.ones([1, 120, 640]), mindspore.float32)
>>> output = net(x).shape
>>> print(output)
(1, 240, 640)