Python 为什么nn.Conv1d在二维特征[b、c、h、w]上工作？

我想知道为什么conv1d在2d特性（批次、通道、高度、宽度）上工作

当我放置2d特性时，nn.Conv1d（通道，通道，内核大小=（1,1））工作，但给出的结果与nn.Conv2d（通道，通道，内核大小=1）不同

我想知道为什么conv1d可以工作，以及1d卷积中的二维内核大小是什么意思。

“我想知道conv1d为什么可以工作，以及1d卷积中的二维内核大小是什么意思。”

它没有任何理由不工作。所有这些“卷积”的意思都是“点积”，现在它可以是矩阵和向量、矩阵和矩阵、向量和向量等等。简单地说，1D和2D卷积的真正区别是一个人有自由沿着输入的空间维度移动。这意味着，如果你观察1D卷积，它只能沿着一个方向移动，即输入的时间维度（注意，内核可以是一个向量，矩阵，任何无关紧要的东西）。另一方面，2D卷积可以自由地沿输入的2个维度移动，即空间维度。如果仍然令人困惑，请查看下面的GIF

1D卷积作用： 注意：这是一个1D卷积，内核大小为3x3，看看它如何只向下移动输入，即时间维度。

2D协同进化在起作用： 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，输入的宽度和高度就是空间维度。

---

我认为现在很清楚1D和2D conv之间的实际区别，以及为什么它们对相同的输入都会产生不同的结果。

我发现了这个主题：，基本上说它们是相同的（conv1d与元组内核和conv2d）。您能提供一个小的代码示例来显示您观察到的不同结果吗？这里有一个示例：使用

a=[[[0.7891]、[[0.5954]、[[0.8586]、[[0.9551]、[[0.3609]、[[0.2691]、[[0.1870]、[[0.0516]、[[0.6104]、[[0.7839]]、[[0.7839]]、
1d=nn.conv1d（10,5,1]、[0.2691]、[0.1870.1870]、[0.0516]、[0.0516]、[0.6104]、[0.6104]、[0.7839]、[0.7839]、[2]和
2d]conv1]、
，
conv1d（a）
给出了
[[[-0.2319]、[[0.2898]、[-0.0504]、[-0.3410]、[[0.9247]]
和
conv2d（a）
给出了
[[-0.2789]、[-0.4271]、[-0.3730]、[-0.8238]、[-0.5334]
，这些都是不同的。