Conv1d()
class torch.nn.Conv1d(
in_channels,
out_channels,
kernel_size,
stride=1,
padding=0,
dilation=1,
groups=1,
bias=True)
- in_channels(int) – 输入信号的通道。即为词向量的维度。2维RGB图像卷积中，为3。
- out_channels(int) – 卷积产生的通道。有多少个out_channels，就需要多少个1维卷积（也就是卷积核的数量）
- kernel_size(int or tuple) - 卷积核的尺寸，卷积核的大小为(k,)，第二个维度是由in_channels来决定的，所以实际上卷积大小为kernel_size*in_channels
- stride(int or tuple, optional) - 卷积步长
- padding (int or tuple, optional)- 输入的每一条边补充0的层数
- dilation(int or tuple, `optional``) – 卷积核元素之间的间距
- groups(int, optional) – 从输入通道到输出通道的阻塞连接数
- bias(bool, optional) - 如果bias=True，添加偏置
举例：实体链接（x，y），x，y是两个实体，当x,y为同一实体，标注为1，否则标注为1。
conv1 = nn.Conv1d(in_channels=200，out_channels=50, kernel_size=2)
input = torch.randn(32,8,200)
# batch_size x entity_len x embedding_size -> batch_size x embedding_size x text_len
input = input.permute(0,2,1)
out = conv1(input)
print(out.size())
这里32为batch_size，8为实体中词的个数，200为词向量。50为卷积核的数量，2为卷积核的尺寸。
输入一维卷积的时候，需要将32*8*200变换为32*200*8，因为一维卷积是在最后维度上扫的，卷积核大小为200*2，最后out的大小即为：32*50*（8-2+1）=32*50*7，最大池化后的大小为：32*50*1
