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=None, bias_init=None)

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， $ou{t}_j$ 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 。

说明

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： None ，权重使用HeUniform初始化。

• 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： None ，偏差使用Uniform初始化。

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：

$$L_{out}=\lceil \frac{L_{in}}{\text{stride}}\rceil$$

pad_mode为 "valid" 时：

$$L_{out}=\lceil \frac{L_{in}-\text{dilation}\times (\text{kernel\_size}-1)}{\text{stride}}\rceil$$

pad_mode为 "pad" 时：

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

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：

>>> import mindspore
>>> from mindspore import Tensor, nn
>>> import numpy as np
>>> 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)