Conv1d()

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

• in_channels(int) – 輸入信號的通道。即為詞向量的維度。2維RGB圖像卷積中，為3。
• out_channels(int) – 卷積產(chǎn)生的通道。有多少個out_channels，就需要多少個1維卷積（也就是卷積核的數(shù)量）
• kernel_size(int or tuple) - 卷積核的尺寸，卷積核的大小為(k,)，第二個維度是由in_channels來決定的，所以實際上卷積大小為kernel_size*in_channels
• stride(int or tuple, optional) - 卷積步長
• padding (int or tuple, optional)- 輸入的每一條邊補充0的層數(shù)
• dilation(int or tuple, `optional``) – 卷積核元素之間的間距
• groups(int, optional) – 從輸入通道到輸出通道的阻塞連接數(shù)
• bias(bool, optional) - 如果bias=True，添加偏置

舉例：實體鏈接（x，y），x，y是兩個實體，當x,y為同一實體，標注為1，否則標注為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())

這里32為batch_size，8為實體中詞的個數(shù)，200為詞向量。50為卷積核的數(shù)量，2為卷積核的尺寸。
輸入一維卷積的時候，需要將32*8*200變換為32*200*8，因為一維卷積是在最后維度上掃的，卷積核大小為200*2，最后out的大小即為：32*50*（8-2+1）=32*50*7，最大池化后的大小為：32*50*1