mindspore.mint.nn.Conv1d

class mindspore.mint.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', dtype=None)

一维卷积层。

对输入Tensor计算一维卷积，通常输入的shape为 \((N, C_{in}, L_{in})\) ，其中 \(N\) 为batch size，\(C\) 为通道数， \(L\) 为特征序列长度。

根据以下公式计算输出：

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

其中， \(bias\) 为输出偏置，\(ccor\) 为 cross-correlation 操作， \(weight\) 为卷积核的值， \(input\) 为输入的特征图。

• \(i\) 对应batch数，其范围为 \([0, N-1]\) ，其中 \(N\) 为输入batch。

• \(j\) 对应输出通道，其范围为 \([0, C_{out}-1]\) ，其中 \(C_{out}\) 为输出通道数，该值也等于卷积核的个数。

• \(k\) 对应输入通道数，其范围为 \([0, C_{in}-1]\) ，其中 \(C_{in}\) 为输入通道数，该值也等于卷积核的通道数。

因此，上面的公式中， \({bias}(C_{\text{out}_j})\) 为第 \(j\) 个输出通道的偏置， \({weight}(C_{\text{out}_j}, k)\) 表示第 \(j\) 个卷积核在第 \(k\) 个输入通道的卷积核切片， \({input}(N_i, k)\) 为特征图第 \(i\) 个batch第 \(k\) 个输入通道的切片。 卷积核shape为 \((\text{kernel_size},)\) ，其中 \(\text{kernel_size}\) 是卷积核的长度。若考虑到输入输出通道以及groups，则完整卷积核的shape为 \((C_{out}, C_{in} / \text{groups}, \text{kernel_size})\) ， 其中 groups 是分组卷积时在通道上分割输入 input 的组数。

想更深入了解卷积层，请参考论文 Gradient Based Learning Applied to Document Recognition 。

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 (Union[int, tuple[int], list[int]]) - 指定一维卷积核的长度。数据类型为整型或一个整型的tuple/list。

• stride (Union[int, tuple[int], list[int]]，可选) - 一维卷积核的移动步长。数据类型为整型或者长度为1的整型tuple/list。默认值： 1 。

• padding (Union[int, tuple[int], list[int], str]，可选) - 输入的长度方向上填充的数量。数据类型为int或包含1个整数的tuple/list或string { "valid" ， "same" } 。值应该要大于等于0。默认值： 0 。

  • "same"：在输入的四周填充，使得当 stride 为 1 时，输入和输出的shape一致。待填充的量由算子内部计算，若为偶数，则均匀地填充在两侧，若为奇数，多余的填充量将补充在右侧。若设置该模式， stride 的值必须为1。

  • "valid"：不对输入进行填充，返回输出可能的最大长度，不能构成一个完整stride的额外的序列将被丢弃。

• dilation (Union[int, tuple[int], list[int]]，可选) - 卷积核膨胀尺寸。可以为单个int，或者由1个int组成的tuple/list。 假设 \(dilation=(d)\), 则卷积核在长度方向间隔 \(d-1\) 个元素进行采样。默认值： 1 。

• groups (int，可选) - 将过滤器拆分为组， in_channels 和 out_channels 必须可被 groups 整除。如果组数等于 in_channels 和 out_channels ，这个一维卷积层也被称为一维深度卷积层。默认值： 1 。 需要满足以下约束：

  • \((C_{in} \text{ % } \text{groups} == 0)\)

  • \((C_{out} \text{ % } \text{groups} == 0)\)

  • \((C_{out} >= \text{groups})\)

  • \((\text{weight[1]} = C_{in} / \text{groups})\)

• bias (bool，可选) - Conv1d层是否添加偏置参数。默认值： True 。

• padding_mode (str，可选) - 指定填充模式，填充值为0。可选值为 "zeros" 、 "reflect" 或 "replicate" 。默认值： "zeros" 。

• dtype (mindspore.dtype，可选) - Parameters的dtype。默认值： None， 使用 mstype.float32 。

可变参数：

• weight (Tensor) - 卷积层的权重，shape \((C_{out}, C_{in} / \text{groups}, \text{kernel_size[0]})\) 。

• bias (Tensor) - 卷积层的偏置，shape \((C_{out})\) 。如果 bias 为False，则为None。

输入：

• input (Tensor) - Shape为 \((N, C_{in}, L_{in})\) 或者 \((C_{in}, L_{in})\) 的Tensor。

输出：

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

padding为 "same" 时：

\[\begin{split}\begin{array}{ll} \\ L_{out} = \left \lceil{\frac{L_{in}}{\text{stride}}} \right \rceil \\ \end{array}\end{split}\]

padding为 "valid" 时：

\[\begin{split}\begin{array}{ll} \\ L_{out} = \left \lfloor{\frac{L_{in} - \text{dilation} \times (\text{kernel_size} - 1) - 1} {\text{stride}}} \right \rfloor + 1 \\ \end{array}\end{split}\]

padding为int或tuple/list时：

\[\begin{split}\begin{array}{ll} \\ L_{out} = \left \lfloor{\frac{L_{in} + 2 \times {padding} - \text{dilation} \times (\text{kernel_size} - 1) - 1}{\text{stride}}} \right \rfloor + 1 \\ \end{array}\end{split}\]

异常：

• ValueError - 输入特征图的大小与参数应满足输出公式，以确保输出特征图大小为正，否则会报错。

• RuntimeError - Ascend上受不同型号NPU芯片上L1缓存大小限制，用例尺寸或Kernel Size过大。

• TypeError - 如果 in_channels ， out_channels 或者 groups 不是整数。

• TypeError - 如果 kernel_size ， stride， 或者 dilation 既不是int也不是tuple/list。

• ValueError - 如果 in_channels ， out_channels， kernel_size ， stride 或者 dilation 小于1。

• ValueError - 如果 padding 小于0。

• ValueError - 如果 padding 是 "same" ， stride 不等于1。

• ValueError - 输入参数不满足卷积输出公式。

• ValueError - kernel_size 不能超过输入特征图的大小。

• ValueError - padding 值不能导致计算区域超出输入大小。

支持平台：

Ascend

样例：

>>> import mindspore
>>> from mindspore import Tensor, mint
>>> import numpy as np
>>> net = mint.nn.Conv1d(120, 240, 4, bias=False)
>>> x = Tensor(np.ones([1, 120, 1024]), mindspore.float32)
>>> output = net(x).shape
>>> print(output)
(1, 240, 1021)