在使用Conv1d函数时，pytorch默认你的数据是一维的，比如一句话“深度学习”可以用一个一维数组 ['深', '度', '学', '习'] 表示，这个数据就是一维的。图片是二维数据，它有长宽两个维度。

        因此在使用 Conv1d 函数时，输入是一个三位数组，三个维度分别表示  (批量，通道，长度)

        使用 Conv2d 函数时，输入是一个四维数组，四个维度分别是（批量，通道，行，列），这里不详细介绍Conv2d。

        （批量即 batch_size）

        用如下例子介绍Conv1d(input_channel=3, output_channel=4, kernel_size=1)，输入的例子数据为一句话，这句话有5个单词，假设每个单词都由三个字母组成，就相当于每个单词有3个通道，假设这句话是 ['abc', 'def', 'ghi', 'jkl', 'mno']，这些数据放在图1所示的矩阵里，可见长度为5，深度方向为3。

         output_channel=4，即由四个卷积核，每个卷积核的通道数和输入的通道数相同，这里是3，如图2所示，第一个元素'abc'的三个通道'a', 'b', 'c'输入第一个卷积核，得到红色数字，第二个单词经过卷积核得到黄色数字，排成一列得到第一个通道，四个卷积核得到输出的四个通道。

        如果一个batch里有很多句话，那么分别对每句话进行上述计算即可。

        测试代码：

        输入数据的 batch_size=10，通道数为3，长度为5。卷积核大小为1，卷积核通道数和输入数据的通道数一致。输出数据通道数为7，卷积核的数量和输出数据的通道数一致。

        因为卷积核大小为1，所以输出长度与输入长度一致，卷积不影响批量数（batch_size），因此输出数据的（批量，通道，长度）应为（10, 7, 5）

from torch import nnconv1 = nn.Conv1d(in_channels=3, out_channels=7, kernel_size=1)input = torch.randn(10, 3, 5)out = conv1(input)print(out.size())

运行后的输出如下图所示，可见分析正确。