1D卷积神经网络原理图解：从数学基础到PyTorch实战

1次阅读

共计 1514 个字符，预计需要花费 4 分钟才能阅读完成。

在 ECG 心电图分类中，1D-CNN 能自动捕捉心跳波形中的局部特征；文本分类任务里，它比 RNN 更高效地提取 n -gram 语法模式；工业传感器分析时，其滑动窗口机制天生适配时序信号的局部相关性。这些场景下，1D 卷积核的平移不变性和参数共享特性使其成为不可替代的选择。

想象用铅笔在一维信号上 ” 涂色 ”：卷积核就像带孔的尺子，每次滑动都透过孔洞（权重）计算局部信号的加权和。假设输入序列长度 L =10，kernel_size=3，stride=1，padding= 0 时，feature map 尺寸计算公式为：

output_length = floor((L + 2*padding - dilation*(kernel_size-1) - 1)/stride + 1)

手绘过程分解：
初始位置：核覆盖 0 - 2 号采样点，计算点积得第一个输出
右移 1 步：核覆盖 1 - 3 号点，输出第二个值
重复直至序列末端，得到 8 个输出值（10-3+1）

实验数据表明，处理 1000 长度单通道序列时，1D-CNN 的显存占用仅为 2D-CNN 的 1 /64（假设 2D 用相同核尺寸）。这是因为 2D 卷积需要展开为矩阵乘法，产生大量中间变量。

import torch
import torch.nn as nn

class Conv1DClassifier(nn.Module):
    def __init__(self, input_dim=1, seq_len=1000):
        super().__init__()
        self.conv1 = nn.Conv1d(input_dim, 32, kernel_size=9, stride=2, padding=4)  # 自定义步长和填充
        self.conv2 = nn.Conv1d(32, 64, kernel_size=5, padding='same')
        self.pool = nn.AdaptiveMaxPool1d(1)
        self.fc = nn.Linear(64, 2)

    def forward(self, x):
        x = torch.relu(self.conv1(x))
        x = torch.relu(self.conv2(x))
        x = self.pool(x).squeeze(-1)
        return self.fc(x)

# 显存监控示例
device = torch.device('cuda')
model = Conv1DClassifier().to(device)
print(torch.cuda.memory_allocated() / 1024**2, 'MB used')  # 打印显存占用