Machine learning 使用Conv1D层将keras代码转换为pytorch代码

我有一些keras代码需要转换成Pytorch。我做了一些研究，但到目前为止，我无法重现我从keras那里得到的结果。我花了很多时间在这上面，非常感谢任何提示或帮助

这是我正在处理的keras代码。输入形状是（None，105768），其中None是批大小，我想对输入应用Conv1D。keras中的期望输出为（无，105）

我试过了，但结果更糟：

    self.conv1d = nn.Conv1d(768, 1, 1)
    self.dropout = nn.Dropout(0.2)
    self.softmax = nn.Softmax()

def forward(self, input):

    x = self.dropout(input)
    x = x.view(x.shape[0],x.shape[2],x.shape[1])  
    x = self.conv1d(x)
    x = torch.squeeze(x, 1)
    x = self.softmax(x)

---

罪魁祸首是您试图交换输入的维度，因为Keras和PyTorch对维度顺序有不同的约定

x=x.view（x.shape[0]，x.shape[2]，x.shape[1]）

.view（）

不交换维度，而是更改数据的哪一部分是给定维度的一部分。你可以将它视为一维数组，然后决定要覆盖多少维。一个例子使它更容易理解

#让我们从一维张量开始
#这就是底层数据在内存中的外观。
x=火炬。阿兰奇（6）
#=>张量（[0,1,2,3,4,5]）
#使用Keras约定时张量的外观（预期输入）
keras_版本=x.view（2,3）
#=>张量（[[0,1,2]，
#            [3, 4, 5]])
#垂直不与水平交换，但数据的排列方式不同
#数字仍在从左到右递增
不正确的版本=keras版本。视图（3，2）
#=>张量（[[0,1]，
#            [2, 3],
#            [4, 5]])

交换需要使用的尺寸

correct\u pytorch\u version=keras\u version.transpose（0,1）
#=>张量（[[0,3]，
#            [1, 4],
#            [2, 5]])

罪魁祸首是您试图交换输入的维度，因为Keras和PyTorch对维度顺序有不同的约定

x=x.view（x.shape[0]，x.shape[2]，x.shape[1]）

.view（）

不交换维度，而是更改数据的哪一部分是给定维度的一部分。你可以将它视为一维数组，然后决定要覆盖多少维。一个例子使它更容易理解

#让我们从一维张量开始
#这就是底层数据在内存中的外观。
x=火炬。阿兰奇（6）
#=>张量（[0,1,2,3,4,5]）
#使用Keras约定时张量的外观（预期输入）
keras_版本=x.view（2,3）
#=>张量（[[0,1,2]，
#            [3, 4, 5]])
#垂直不与水平交换，但数据的排列方式不同
#数字仍在从左到右递增
不正确的版本=keras版本。视图（3，2）
#=>张量（[[0,1]，
#            [2, 3],
#            [4, 5]])

交换需要使用的尺寸

correct\u pytorch\u version=keras\u version.transpose（0,1）
#=>张量（[[0,3]，
#            [1, 4],
#            [2, 5]])

感谢您的帮助，我已经尝试了转置和重塑，它们给出了类似的结果，并且比视图更好，但是仍然没有达到keras的精度：（我在代码中发现了一个bug。实际上，只需将行更改为x=x。转置（2,1）。非常感谢！！感谢您的帮助，我尝试了转置和重塑，它们给出了类似的结果，并且比视图更好，但是仍然没有达到keras的精度：（我在代码中发现了一个错误。实际上，只需将行更改为x=x。转置（2,1）。非常感谢！！

    self.conv1d = nn.Conv1d(768, 1, 1)
    self.dropout = nn.Dropout(0.2)
    self.softmax = nn.Softmax()

def forward(self, input):

    x = self.dropout(input)
    x = x.view(x.shape[0],x.shape[2],x.shape[1])  
    x = self.conv1d(x)
    x = torch.squeeze(x, 1)
    x = self.softmax(x)