摘要:
out_channels = 卷积核个数 = 输出数据y.shpae[-2]。 in_channels = 输入数据x.shape[1]。 而输出数据y.shape[-1]可以根据kernel_size和步长来算。 import torch from torch import nn # in_cha 阅读全文
posted @ 2025-03-28 16:42
saulstavo
阅读(19)
评论(0)
推荐(0)
摘要:
下面我们以一个具体例子来详细讲解 Conv1d 在这种数据形状下的计算过程。假设我们的输入数据、卷积核权重及偏置如下: 示例设定 输入张量: 形状为 ([(batch \times ts_d),\ seg_num,\ d_model] = (1, 4, 3)) 其中: (batch \times t 阅读全文
posted @ 2025-03-28 16:15
saulstavo
阅读(74)
评论(0)
推荐(0)
摘要:
下面我们用一个具体的数字例子,从输入到输出一步步说明 Conv1d 是如何计算的。假设你有一条时间序列数据,其形状为 (batch*ts_d, seg_num, d_model) = (1*1, 4, 3) (为了方便,我们这里设 batch*ts_d=1,即只有一个样本;seg_num=4 表示有 阅读全文
posted @ 2025-03-28 03:36
saulstavo
阅读(139)
评论(0)
推荐(0)

浙公网安备 33010602011771号