在 Pytorch 中对张量应用一维卷积答案

【问题标题】：Applying a 1D Convolution on a Tensor in Pytorch在 Pytorch 中对张量应用一维卷积
【发布时间】：2020-07-16 20:16:11
【问题描述】：

我有一个表示一组 1D 信号的张量，这些信号沿列轴连接。假设我有 300 个大小为 64 的 1D 信号。所以 [64x300]

我想在 GPU 上应用平滑卷积/移动平均内核 [0.2 0.2 0.2 0.2 0.2]，但我不确定执行此操作的 API 到底是什么。可以举个例子吗？

【问题讨论】：

标签： pytorch

【解决方案1】：

您可以使用普通的torch.nn.Conv1d 来执行此操作。

输入

在您的情况下，您有 300 时间步长的 1 频道 (1D)（请 refer to documentation 这些值将适当地为 C_in 和 L_in）。

因此，对于您的输入，它将是（您需要1，它不能被挤压！）：

import torch

inputs = torch.randn(64, 1, 300)

您需要torch.nn.Conv1d 和kernel_size 等于5（如您的元素所示：[0.2 0.2 0.2 0.2 0.2]）并且不需要bias。我假设您的输出必须具有相同的大小 (300)，因此必须在开头和结尾填充 2 元素。所有这些都为我们提供了这个模块：

module = torch.nn.Conv1d(
    in_channels=1, out_channels=1, kernel_size=5, padding=2, bias=False
)

这个模块的权重（0.2 值）可以这样指定：

module.weight.data = torch.full_like(module.weight.data, 0.2)

torch.full_like 适用于任何大小的内核，以防您想要5 以外的其他大小。

最后运行到平均步数就大功告成了：

out = module(inputs)

如果你想使用GPU，只需像这样投射你的module 和inputs：

inputs = inputs.cuda()
module = module.cuda()

更多信息请参见CUDA documentation。

【讨论】：