mindspore.ops.conv1d ==================== .. py:function:: mindspore.ops.conv1d(input, weight, bias=None, stride=1, pad_mode="valid", padding=0, dilation=1, groups=1) 对输入Tensor计算一维卷积。该Tensor的常见shape为 :math:`(N, C_{in}, W_{in})` ,其中 :math:`N` 为batch size,:math:`C_{in}` 为通道数, :math:`W_{in}` 分别为特征层的宽度, :math:`X_i` 为 :math:`i^{th}` 输入值, :math:`b_i` 为 :math:`i^{th}` 输入值的偏置项。对于每个batch中的Tensor,其shape为 :math:`(C_{in}, W_{in})` ,公式定义如下: .. math:: out_j = \sum_{i=0}^{C_{in} - 1} ccor(W_{ij}, X_i) + b_j, 其中, :math:`ccor` 为 `cross-correlation <https://en.wikipedia.org/wiki/Cross-correlation>`_ , :math:`C_{in}` 为输入通道数, :math:`j` 的范围从 :math:`0` 到 :math:`C_{out} - 1` , :math:`W_{ij}` 对应第 :math:`j` 个过滤器的第 :math:`i` 个通道, :math:`out_{j}` 对应输出的第 :math:`j` 个通道。 :math:`W_{j}` 为卷积核的切片,其shape为 :math:`(\text{kernel_size})` ,其中 :math:`\text{kernel_size}` 是卷积核的宽度。完整卷积核的shape为 :math:`(C_{out}, C_{in} / \text{groups}, \text{kernel_size})` ,其中 `groups` 是在通道上分割输入 `input` 的组数。 如果 `pad_mode` 设置为"valid",则输出宽度为 :math:`\left \lfloor{1 + \frac{W_{in} + \text{padding[0]} - \text{kernel_size} - (\text{kernel_size} - 1) \times(\text{dilation} - 1)}{\text { stride }}} \right \rfloor` 。 其中, :math:`dialtion` 为卷积核元素之间的间距, :math:`stride` 为移动步长, :math:`padding` 为添加到输入两侧的零填充。 对于取其他值的 `pad_mode` 时候的输出高度和宽度的计算,请参考 :class:`mindspore.nn.Conv1d` 里的计算公式。 请参考论文 `Gradient Based Learning Applied to Document Recognition <http://vision.stanford.edu/cs598_spring07/papers/Lecun98.pdf>`_ 。更详细的介绍,参见: `ConvNets <http://cs231n.github.io/convolutional-networks/>`_ 。 .. 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 `groups>1` 的场景下,必须要满足 `C_{in}` = `C_{out}` = `groups` 的约束条件。 参数: - **input** (Tensor) - shape为 :math:`(N, C_{in}, W_{in})` 的Tensor。 - **weight** (Tensor) - shape为 :math:`(C_{out}, C_{in}/ \text{groups}, \text{kernel_size})` ,则卷积核shape为 :math:`(\text{kernel_size})` 。 - **bias** (Tensor) - 偏置Tensor,shape为 :math:`(C_{out})` 的Tensor。如果 `bias` 是None,将不会添加偏置。默认值: ``None`` 。 - **stride** (Union(int, tuple[int]),可选) - 卷积核移动的步长,数据类型为int或1个int组成的tuple。表示在宽度方向的移动步长。默认值: ``1`` 。 - **pad_mode** (str,可选) - 指定填充模式。取值为 ``"same"`` , ``"valid"`` ,或 ``"pad"`` 。默认值: ``"valid"`` 。 - **same**: 输出的宽度与输入整除 `stride` 后的值相同。填充将被均匀地添加到两侧,剩余填充量将被添加到维度末端。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 `input` 进行填充。在输入上填充 `padding` 大小的0。如果设置此模式, `padding` 必须大于或等于0。 - **padding** (Union(int, tuple[int], list[int]),可选) - 输入 `input` 的宽度方向上填充的数量。数据类型为int或包含1个int组成的tuple。表示宽度方向的 `padding` 数量(左右两边均为该值)。值必须大于等于0,默认值: ``0`` 。 - **dilation** (Union(int, tuple[int]),可选) - 卷积核元素间的间隔。数据类型为int或1个int组成的tuple。若 :math:`k > 1` ,则卷积核间隔 `k` 个元素进行采样。垂直和水平方向上的 `k` ,其取值范围为[1, W]。默认值: ``1`` 。 - **groups** (int,可选) - 将过滤器拆分为组。默认值: ``1`` 。 返回: Tensor,卷积后的值。shape为 :math:`(N, C_{out}, W_{out})` 。 异常: - **TypeError** - `stride` 、 `padding` 或 `dilation` 既不是int也不是tuple。 - **TypeError** - `groups` 不是int。 - **TypeError** - `bias` 不是Tensor。 - **ValueError** - `bias` 的shape不是 :math:`(C_{out})` 。 - **ValueError** - `stride` 或 `diation` 小于1。 - **ValueError** - `pad_mode` 不是"same"、"valid"或"pad"。 - **ValueError** - `padding` 是一个长度不等于1的tuple。 - **ValueError** - `pad_mode` 不等于"pad"时,`padding` 大于0。