Conv1d
一般用于文本
nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
参数解读：
- in_channels： 输入通道。在文本分类中，即为词向量的维度
- out_channels： 卷积产生的通道。有多少个out_channels，就需要多少个1维卷积
- kernel_size：卷积核的尺寸(k, in_channels)
- stride： 卷积步长
- padding： 输入的每一条边补充0的层数
- dilation：卷积核元素之间的间距
- groups：输入通道到输出通道的阻塞连接数
- bias： 如果bias=True，添加偏置
看下面这张图已经够了，来自TextCNN那篇论文。
Conv1d顾名思义只对一个维度操作，在文本中只需要从上往下进行卷积扫描即可。
下图左边输入维度[max_len, embedding_dim]， 分别表示句子长度和每个词的词向量维度，图中对应的是7 * 5。
filter_size包括[2, 3, 4]三种类型，其维度分别是2 * 5，3 * 5，4 * 5，每个filter_size都有两个。
在纵向需要卷积的方向，卷积后变为n+2p-f/s+1，这里的n：max_len, p：padding, f： filter_size, s： stride。
接着分别进行最大池化并拼接，然后将所有filter_size的结果再拼接，最终一个全连接层输出2个类别的概率。
用一个例子来解释Conv1d操作
conv1 = nn.Conv1d(in_channels=256, out_channels=100, kernel_size=3, stride=1, padding=0)
input = torch.randn(32, 35, 256) # [batch_size, max_len, embedding_dim]
input = input.permute(0, 2, 1) # 交换维度：[batch_size, embedding_dim, max_len]
out = conv1(input) # [batch_size, out_channels, n+2p-f/s+1]
print(out.shape) # torch.Size([32, 100, 33])
input的的维度是[batch_size, max_len, embedding_dim]，在开始Conv1d前需要将max_len换到最后一个维度用来做一维卷积。卷积后的结果[batch_size, out_channels, n+2p-f/s+1]，在纵向维度上(35 + 2*0 - 3)/1 + 1=33。
Conv2d
一般用于图像，给定一个4维的input和filter，计算一个二维卷积就是横向和纵向均卷积。
nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
一个例子来解释
来自https://blog.csdn.net/Elva_23/article/details/83826587
输入和核如下，padding=0，stride=1
卷积完的结果：
- 14 = 4 * 1 + 3 * 0 + 1 * 1 + 2 * 2 + 1 * 1 + 0 * 0 + 1 * 0 + 2 * 0 + 4 * 1
- 6 = 3 * 1 + 1 * 0 + 0 * 1 + 1 * 2 + 0 * 1 + 1 * 0 + 2 * 0 + 4 * 0 + 1 * 1
- 6 = 2 * 1 + 1 * 0 + 0 * 1 + 1 * 2 + 2 * 1 + 4 * 0 + 3 * 0 + 1 * 0 + 0 * 1
- 12 = 1 * 1 + 0 * 0 + 1 * 1 + 2 * 2 + 4 * 1 + 1 * 0 + 1 * 0 + 0 * 0 + 2 * 1