mindspore.ops.conv1d
- mindspore.ops.conv1d(input, weight, bias=None, stride=1, pad_mode='valid', padding=0, dilation=1, groups=1)[源代码]
对输入Tensor计算一维卷积。该Tensor的常见shape为 \((N, C_{in}, W_{in})\) ,其中 \(N\) 为batch size,\(C_{in}\) 为通道数, \(W_{in}\) 分别为特征层的宽度, \(X_i\) 为 \(i^{th}\) 输入值, \(b_i\) 为 \(i^{th}\) 输入值的偏置项。对于每个batch中的Tensor,其shape为 \((C_{in}, W_{in})\) ,公式定义如下:
\[out_j = \sum_{i=0}^{C_{in} - 1} ccor(W_{ij}, X_i) + b_j,\]其中, \(ccor\) 为 cross-correlation , \(C_{in}\) 为输入通道数, \(j\) 的范围从 \(0\) 到 \(C_{out} - 1\) , \(W_{ij}\) 对应第 \(j\) 个过滤器的第 \(i\) 个通道, \(out_{j}\) 对应输出的第 \(j\) 个通道。 \(W_{j}\) 为卷积核的切片,其shape为 \((\text{kernel_size})\) ,其中 \(\text{kernel_size}\) 是卷积核的宽度。完整卷积核的shape为 \((C_{out}, C_{in} / \text{groups}, \text{kernel_size})\) ,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 \(\left \lfloor{1 + \frac{W_{in} + \text{padding[0]} - \text{kernel_size} - (\text{kernel_size} - 1) \times(\text{dilation} - 1)}{\text { stride }}} \right \rfloor\) 。 其中, \(dialtion\) 为卷积核元素之间的间距, \(stride\) 为移动步长, \(padding\) 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
mindspore.nn.Conv1d
里的计算公式。请参考论文 Gradient Based Learning Applied to Document Recognition 。更详细的介绍,参见: ConvNets 。
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 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 \((N, C_{in}, W_{in})\) 的Tensor。
weight (Tensor) - shape为 \((C_{out}, C_{in}/ \text{groups}, \text{kernel_size})\) ,则卷积核shape为 \((\text{kernel_size})\) 。
bias (Tensor) - 偏置Tensor,shape为 \((C_{out})\) 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 \(k > 1\) ,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 \((N, C_{out}, W_{out})\) 。
- 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 \((C_{out})\) 。
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。
- 支持平台:
Ascend
GPU
样例:
>>> import mindspore >>> import numpy as np >>> from mindspore import Tensor, ops >>> x = Tensor(np.arange(64).reshape((4, 4, 4)), mindspore.float32) >>> weight = Tensor(np.arange(8).reshape((2, 2, 2)), mindspore.float32) >>> bias = Tensor([-0.12345, 2.7683], ms.float32) >>> output = ops.conv1d(x, weight, pad_mode='pad', padding=(1,), bias=bias, groups=2) >>> print(output.shape) (4, 2, 5)