Nlp 使用Conv1d（Pytorch）嵌入字的in_通道和内核_大小_Nlp_Pytorch_Conv Neural Network_Word Embedding

Nlp 使用Conv1d（Pytorch）嵌入字的in_通道和内核_大小

nlp pytorch

Nlp 使用Conv1d（Pytorch）嵌入字的in_通道和内核_大小,nlp,pytorch,conv-neural-network,word-embedding,Nlp,Pytorch,Conv Neural Network,Word Embedding,我真的很纠结于Conv1D的输入-我已经阅读了一些指南/解释，但有些东西仍然不太合拍我有一个一维信号，一个嵌入单词的扁平句子 X=[“天气晴朗”，“巴萨在上一场比赛中有3张红牌”] X=[为X中的X展平U和_焊盘（X）]#展平和零焊盘 X=[ [1,2,3]，[0,1,0]，[4,5,6]，[7,8,9]，[0,0,0]，[0,0,0]，#“its a sunny day”和3-dim单词嵌入 [[-1,2,3]，[0,2,0]，…，[11,12,13]。#“巴萨在上一场比赛中有3张红牌”3

我真的很纠结于Conv1D的输入-我已经阅读了一些指南/解释，但有些东西仍然不太合拍

我有一个一维信号，一个嵌入单词的扁平句子


X=[“天气晴朗”，“巴萨在上一场比赛中有3张红牌”]
X=[为X中的X展平U和_焊盘（X）]#展平和零焊盘
X=[
[1,2,3]，[0,1,0]，[4,5,6]，[7,8,9]，[0,0,0]，[0,0,0]，#“its a sunny day”和3-dim单词嵌入
[[-1,2,3]，[0,2,0]，…，[11,12,13]。#“巴萨在上一场比赛中有3张红牌”3-dim单词嵌入
]

i、 e我的

大小是

（n_样本，n_单词，嵌入尺寸）

，其中

n_样本

是句子的数量，

n_单词

每个句子中的单词数量和

嵌入尺寸

假设我想要一个跨越每一个单词（或每一个bi/tri-gram）的conv内核- 我假设

in_channels

是单词的数量（即

n_单词

），因为我想跨过每个单词，所以我设置了

kernel\u size=embded\u dim

和

stride=1

conv1=nn.Conv1d（在信道中=n个字，
out_通道=10，
内核大小=嵌入大小，
步幅=1）
n_样本=2
n_单词=3
嵌入尺寸=12
x=torch.rand（n个样本，n个单词，嵌入尺寸）
l=列表（conv1.parameters（））
打印（l[0]。大小）#[1,3,12]

它工作得很好，但后来我看到我们需要在_channels=embed_dim和

kernel_size=n_words

中设置

，但我说我的方法是正确的
那么，在这个1D问题中，应该如何理解信道中的？很多地方人们写“这是频道的数量”（这是一个相当糟糕的解释）。
对于RGB图像，in_channel
是深度，例如3，但我很难理解如何在文本分类示例中使用/理解它