任务描述

本关任务：

本关提供了一个Variable 类型的变量input，按照要求创建一 Conv1d变量conv，对input应用卷积操作并赋值给变量 output，并输出output 的大小。

相关知识

卷积的本质就是用卷积核的参数来提取原始数据的特征，通过矩阵点乘的运算，提取出和卷积核特征一致的值。

卷积层是用一个固定大小的矩形块去席卷原始数据，将原始数据分成一个个和卷积核大小相同的小块，然后将这些小块和卷积核相乘输出一个卷积值（注意这里是一个单独的值，不再是矩阵了）。

这里我们拿最常用的 conv1d举例说明卷积过程的计算。

conv1d

基本形式：

torch.nn.Conv1d (in_channels， out_channels， kernel_size， stride=1， padding=0， dilation=1， groups=1， bias=True)

用途：对输入样本应用一维卷积核

输入大小为

输出

这里imes代表 the valid cross -correlation operator。

参数说明:

参数名	参数类型	说明	默认值
in_channels	int	输入图像中的通道数量
out_channels	int	卷积产生的通道数
kernel_size	int或 tuple	循环内核的大小
stride	int or tuple， optional	滑动窗口，指每次卷积对原数据滑动n个单元格。	默认为1
padding	int or tuple， optional	是否对输入数据填充0	默认为0（不填充）
dilation	int or tuple， optional	卷积核之间的空格	默认为1
groups	int ，optional	将输入数据分组，通常不用管这个参数
bias	boolean ，optional	偏移量参数，一般也不用管

optional 表示可选 padding可以将输入数据的区域改造成是卷积核大小的整数倍，这样对不满足卷积核大小的部分数据就不会忽略了。通过padding参数指定填充区域的高度和宽度。

维度：

变量：

• weight (Tensor) – 模块的卷积核权重，也就是卷积核本。是一个三维数组(out_channels, in_channels, kernel_size)。out_channels是卷积核输出层的神经元个数，也就是这层有多少个卷积核；in_channels是输入通道数；kernel_size是卷积核的宽度。
• bias (Tensor) – 卷积核输出层的偏移量。

应用示例：

m = nn.Conv1d(16, 33, 3, stride=2)
input = Variable(torch.randn(20, 16, 50))
output = m(input)
print(output.size())

输出结果： torch.Size([20, 33, 24])

conv1d是一维卷积，它和conv2d的区别在于只对宽度进行卷积，对高度不卷积。

conv2d

基本形式：

torch.nn.Conv2d (in_channels， out_channels， kernel_size， stride=1， padding=0， dilation=1， groups=1， bias=True)

用途：对输入样本应用二维卷积核

输入大小为

输出

这里imes代表 the valid 2D cross -correlation operator

参数说明:

与 conv1d 相同

维度：

应用示例：

#Conv2d

# With square kernels and equal stride
m = nn.Conv2d(16, 33, 3, stride=2)

# non-square kernels and unequal stride and with padding
m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2))

input = Variable(torch.randn(20, 16, 50, 100))
output = m(input)
print(output.size())

输出结果： torch.Size([20, 33, 28, 100])

编程要求

本关涉及的代码文件为convolution.py，本次编程任务是补全右侧代码片段中Begin至End中间的代码，具体要求如下：

• 创建一个in_channels=16, out_channels=33, kernel_size=3, stride=2的Conv1d变量conv；
• 对input应用卷积操作并赋值给变量 output；
• 输出 output 的大小。
• 具体请参见后续测试样例。

测试说明

测试过程：

• 本关涉及的测试文件为convolution.py，运行用户填写后的程序判断正误。
• 测试程序将检测两个方面：是否包含特定的代码行以及程序的输出是否正确，若两个方面均正确则输出下面的预期输出，否则报错。
• 请注意输出格式及规范。
• 注意，在声明变量时请按照提示命名，否则将会报错。

以下是测试样例：

测试输入： 预期输出： torch.Size([10, 24,13])

Congratulation!

代码实战

import torch
import torch.nn as nn
from torch.autograd import Variable

input = Variable(torch.randn(10, 16, 40))

#/********** Begin *********/

#创建一个in_channels=16, out_channels=24, kernel_size=4, stride=3的Conv1d变量conv
conv = nn.Conv1d(16, 24, 4, stride=3)

#对input应用卷积操作并赋值给变量 output
output=conv(input)

#输出 output 的大小，要求输出不换行
print(output.size())

#/********** End *********/