代码举例举例一位卷积层和二维卷积层

以下是一位卷积层（1D Convolutional Layer）的示例代码，它将输入序列进行卷积操作：

import torch.nn as nn

class Conv1D(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size, stride=1, padding=0):
        super(Conv1D, self).__init__()
        self.conv = nn.Conv1d(in_channels, out_channels, kernel_size, stride, padding)
        self.relu = nn.ReLU()

    def forward(self, x):
        x = self.conv(x)
        x = self.relu(x)
        return x

这个类继承了 PyTorch 中的 nn.Module 类，表示它是一个可训练模型。它接受四个参数：输入通道数、输出通道数、卷积核大小、步幅和填充。在初始化函数中，我们定义了一个 1D 卷积层和一个 ReLU 激活函数。在 forward 函数中，我们首先进行卷积操作，然后将结果通过 ReLU 激活函数。

以下是二维卷积层（2D Convolutional Layer）的示例代码，它将输入图像进行卷积操作：

import torch.nn as nn

class Conv2D(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size, stride=1, padding=0):
        super(Conv2D, self).__init__()
        self.conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding)
        self.relu = nn.ReLU()

    def forward(self, x):
        x = self.conv(x)
        x = self.relu(x)
        return x

这个类与 1D 卷积层类似，不同之处在于它使用了 nn.Conv2d 类代替了 nn.Conv1d，表示它是一个二维卷积层。它同样接受四个参数：输入通道数、输出通道数、卷积核大小、步幅和填充。在 forward 函数中，它同样进行了卷积和 ReLU 操作。