为什么 nn.Conv1d 作用于二维特征 [b, c, h, w]？
Why does nn.Conv1d work on 2d feature [b, c, h, w]?
我想知道为什么 conv1d 适用于 2d 特征（批次、通道、高度、宽度）。
当我放置 2d 特征时，nn.Conv1d(channel, channel, kernel_size=(1,1)) 有效，但给出与 nn.Conv2d(channel, channel, kernel_size=1).
我想知道为什么 conv1d 有效，以及 1d 卷积中 2d 内核大小的含义。
“我想知道为什么 conv1d 有效，以及 1d 卷积中的 2d 内核大小意味着什么”
它没有任何理由不工作。在引擎盖下所有这些“卷积”的意思是“点积”，现在它可以在矩阵和向量、矩阵和矩阵、向量和向量等之间。简单地说，真正的区别在 1D 和 2D 卷积之间 是 沿着输入的空间维度 移动的自由 。这意味着如果你看 1D 卷积，它只能沿一个方向移动，即输入的时间维度（注意内核可以是向量，矩阵，无论什么都不是'无关紧要）。另一方面，2D 卷积可以自由地沿输入的 2 个维度（高度和宽度）移动，即空间维度。如果它仍然令人困惑，请查看下面的 gif。
一维卷积实际应用：
注意：这是一个内核大小为 3x3 的 1D 卷积，看看它如何只向下移动时间维度的输入。
二维卷积实际应用：
注意：这是一个二维卷积，内核大小为3x3，看看它是如何沿着输入的宽度和高度移动的，这是空间维度。
我认为现在很清楚 1D 和 2D conv 之间的实际区别是什么，以及为什么它们对相同的输入都会产生不同的结果。
我想知道为什么 conv1d 适用于 2d 特征（批次、通道、高度、宽度）。
当我放置 2d 特征时，nn.Conv1d(channel, channel, kernel_size=(1,1)) 有效，但给出与 nn.Conv2d(channel, channel, kernel_size=1).
我想知道为什么 conv1d 有效，以及 1d 卷积中 2d 内核大小的含义。
“我想知道为什么 conv1d 有效，以及 1d 卷积中的 2d 内核大小意味着什么”
它没有任何理由不工作。在引擎盖下所有这些“卷积”的意思是“点积”，现在它可以在矩阵和向量、矩阵和矩阵、向量和向量等之间。简单地说，真正的区别在 1D 和 2D 卷积之间 是 沿着输入的空间维度 移动的自由 。这意味着如果你看 1D 卷积，它只能沿一个方向移动，即输入的时间维度（注意内核可以是向量，矩阵，无论什么都不是'无关紧要）。另一方面，2D 卷积可以自由地沿输入的 2 个维度（高度和宽度）移动，即空间维度。如果它仍然令人困惑，请查看下面的 gif。
一维卷积实际应用：
注意：这是一个内核大小为 3x3 的 1D 卷积，看看它如何只向下移动时间维度的输入。
二维卷积实际应用：
注意：这是一个二维卷积，内核大小为3x3，看看它是如何沿着输入的宽度和高度移动的，这是空间维度。
我认为现在很清楚 1D 和 2D conv 之间的实际区别是什么，以及为什么它们对相同的输入都会产生不同的结果。