通过Python交互式控制台理解Conv1d
<p>以前在语音合成项目第一次接触PyTorch中的<code>Conv1d</code>函数时，作为一个初学者，我对它的参数和工作机制感到很困惑。<br>原本以为既然是1维卷积，那输入输出应该都是简单的1维张量。然而实际上，输入必须是一个3维张量，这让我颇感意外。<br>
后来因为工作缘故，我有一段时间没接触深度学习了。后来再次遇到<code>Conv1d</code>函数时，我又陷入了同样的困惑。<br>
因此，我决定写下自己的理解过程，帮助可能遇到类似情况的读者（包括未来的我自己）。</p>
<p>本文使用的工具版本是Python 3.13.3，PyTorch 2.7.1。</p>
<p>Python的版本号可用<code>python -V</code>命令确认。</p>
<pre><code>> python -V
Python 3.13.3
</code></pre>
<p>PyTorch的版本号可用<code>pip show torch</code>命令确认。</p>
<pre><code>> pip show torch
Name: torch
Version: 2.7.1
...
</code></pre>
<p>或者也可以像下面这样进入Python交互式控制台确认。</p>
<pre><code class="language-python">> python
Python 3.13.3 (tags/v3.13.3:6280bb5, Apr8 2025, 14:47:33) on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> torch.__version__
'2.7.1+cpu'
</code></pre>
<p>理解<code>Conv1d</code>输入输出形状的关键在于，我们必须考虑深度学习中的批次（batch）和通道（channel）概念。<br>
下面通过在Python交互式控制台里一步步执行代码来理解这一点。</p>
<h1 id="第一步创建conv1d实例">第一步：创建Conv1d实例</h1>
<p>使用<code>Conv1d</code>首先需要创建一个实例。实例化时需要指定三个主要参数：</p>
<ul>
<li><strong>in_channels</strong>：输入通道数。例如，1表示单声道音频，2表示立体声音频。</li>
<li><strong>out_channels</strong>：卷积后的输出通道数，代表卷积滤波器的数量。</li>
<li><strong>kernel_size</strong>：卷积滤波器的大小。</li>
</ul>
<p>创建一个具有2个输入通道、3个输出通道和滤波器大小为5的Conv1d实例：</p>
<pre><code class="language-python">>>> from torch import nn
>>> conv1d = nn.Conv1d(2, 3, 5)
</code></pre>
<h1 id="第二步查看权重和偏置">第二步：查看权重和偏置</h1>
<p>创建实例时，卷积操作使用的权重（weight）和偏置（bias）会自动初始化。<br>
在机器学习过程中，这些值会在训练过程中被逐步优化。</p>
<pre><code class="language-python">>>> conv1d.weight.shape
torch.Size()
>>> conv1d.weight
Parameter containing:
tensor([[[ 0.2076,0.1669, -0.0984,0.0040, -0.0094],
[-0.0277, -0.0257, -0.3107,0.2883,0.2560]],
[[ 0.0501, -0.2257,0.0464, -0.0605,0.1463],
[-0.1195,0.1820,0.0764,0.2922, -0.2718]],
[[ 0.2699, -0.2734,0.1698,0.2720, -0.2554],
[-0.0706, -0.2028, -0.2554, -0.1495,0.2460]]], requires_grad=True)
>>> conv1d.bias
Parameter containing:
tensor([-0.1664, -0.0393,0.2074], requires_grad=True)
</code></pre>
<ul>
<li><code>conv1d.weight</code>表示每个滤波器的权重，形状为<code>(输出通道数, 输入通道数, 滤波器大小)</code></li>
<li><code>conv1d.bias</code>表示每个滤波器的偏置，形状为<code>(输出通道数)</code></li>
</ul>
<h1 id="第三步准备输入数据">第三步：准备输入数据</h1>
<p><code>Conv1d</code>的输入数据必须是3维张量：</p>
<ul>
<li>第1维：批次大小（<code>batch_size</code>），表示一次处理的数据样本数量</li>
<li>第2维：输入通道数，必须与创建<code>Conv1d</code>实例时指定的<code>in_channels</code>一致</li>
<li>第3维：单个数据样本的长度。对于音频数据，通常是帧数</li>
</ul>
<pre><code class="language-python">>>> x = torch.rand(4, 2, 6)# 随机数据：批次大小4，2个输入通道，长度6
>>> x
tensor([[,
],
[,
],
[,
],
[,
]])
</code></pre>
<h1 id="第四步执行卷积操作">第四步：执行卷积操作</h1>
<p>将输入数据<code>x</code>传递给<code>conv1d</code>并查看结果：</p>
<pre><code class="language-python">>>> y = conv1d(x)
>>> y.shape
torch.Size()
>>> y
tensor([[[ 0.1683,0.1969],
[-0.2416,0.1589],
[ 0.3856, -0.0863]],
[[ 0.0034,0.1147],
[-0.0358, -0.2050],
[ 0.2556,0.0671]],
[[ 0.0630, -0.0035],
[ 0.0246,0.0918],
[-0.1203,0.1590]],
[[ 0.2665,0.0337],
[-0.1590,0.1789],
[ 0.0974,0.2275]]], grad_fn=<ConvolutionBackward0>)
</code></pre>
<p>输出<code>y</code>是一个3维张量，形状为<code>(批次大小, 输出通道数, 输出长度)</code>。</p>
<h1 id="第五步理解计算过程">第五步：理解计算过程</h1>
<p>卷积操作遵循以下原则：</p>
<ol>
<li>滤波器在输入数据上滑动</li>
<li>计算元素乘积的和</li>
<li>加上偏置</li>
</ol>
<p>每个输出元素的计算公式为：</p>
<pre><code class="language-python">y[批次索引, 输出通道索引, 数据位置] =
sum(x[批次索引, 输入通道0, (数据位置):(数据位置+滤波器大小)] @ conv1d.weight[输出通道索引, 输入通道0]) +
sum(x[批次索引, 输入通道1, (数据位置):(数据位置+滤波器大小)] @ conv1d.weight[输出通道索引, 输入通道1]) +
... +
conv1d.bias[输出通道索引]
</code></pre>
<p>其中<code>@</code>表示点积操作，<code>A @ B</code>等同于<code>A.dot(B)</code>。</p>
<p>输出长度可以通过以下公式计算：</p>
<pre><code class="language-python">输出长度 = (输入长度 - 滤波器大小 + 1)
</code></pre>
<p>例如，我们可以验证<code>y</code>的计算：</p>
<pre><code class="language-python">>>> y# 第0个数据样本，第0个输出通道，第0个输出数据位置
tensor(0.1683, grad_fn=<SelectBackward0>)
>>> x @ conv1d.weight + x @ conv1d.weight + conv1d.bias
tensor(0.1683, grad_fn=<AddBackward0>)
</code></pre>
<p>同样，我们可以计算<code>y</code>：</p>
<pre><code class="language-python">>>> y# 第0个数据样本，第0个输出通道，第1个输出数据位置
tensor(0.1969, grad_fn=<SelectBackward0>)
>>> x @ conv1d.weight + x @ conv1d.weight + conv1d.bias
tensor(0.1969, grad_fn=<AddBackward0>)
</code></pre>
<p>如上所示，<code>Conv1d</code>通过对输入数据<code>x</code>进行卷积操作生成新的特征量<code>y</code>。<br>
特征量<code>y</code>可用于音频识别、自然语言处理等各种1维（单通道或多通道）数据的处理任务。</p>
<h1 id="总结">总结</h1>
<ol>
<li>输入必须是3维张量：(批次大小, 输入通道数, 数据长度)</li>
<li>输出也是3维张量：(批次大小, 输出通道数, 输出长度)</li>
<li>输出长度由公式<code>输入长度 - 滤波器大小 + 1</code>决定</li>
<li>每个输出元素是输入数据与滤波器权重的点积加上偏置</li>
</ol><br><br>
来源：https://www.cnblogs.com/xiaozhu-zhixiang/p/19007927/250727-pytorch-conv1d
頁:
[1]