以前在语音合成项目第一次接触PyTorch中的Conv1d函数时，作为一个初学者，我对它的参数和工作机制感到很困惑。原本以为既然是1维卷积，那输入输出应该都是简单的1维张量。然而实际上，输入必须是一个3维张量，这让我颇感意外。后来因为工作缘故，我有一段时间没接触深度学习了。后来再次遇到Conv1d函数时，我又陷入了同样的困惑。因此，我决定写下自己的理解过程，帮助可能遇到类似情况的读者（包括未来的我自己）。
本文使用的工具版本是Python 3.13.3，PyTorch 2.7.1。
Python的版本号可用python -V命令确认。
> python -VPython 3.13.3PyTorch的版本号可用pip show torch命令确认。
> pip show torchName: torchVersion: 2.7.1...或者也可以像下面这样进入Python交互式控制台确认。
> pythonPython 3.13.3 (tags/v3.13.3:6280bb5, Apr 8 2025, 14:47:33) [MSC v.1943 64 bit (AMD64)] on win32Type "help", "copyright", "credits" or "license" for more information.>>> import torch>>> torch.__version__'2.7.1+cpu'理解Conv1d输入输出形状的关键在于，我们必须考虑深度学习中的批次（batch）和通道（channel）概念。下面通过在Python交互式控制台里一步步执行代码来理解这一点。
第一步：创建Conv1d实例
使用Conv1d首先需要创建一个实例。实例化时需要指定三个主要参数：
- in_channels：输入通道数。例如，1表示单声道音频，2表示立体声音频。out_channels：卷积后的输出通道数，代表卷积滤波器的数量。kernel_size：卷积滤波器的大小。
创建一个具有2个输入通道、3个输出通道和滤波器大小为5的Conv1d实例：
>>> from torch import nn>>> conv1d = nn.Conv1d(2, 3, 5)第二步：查看权重和偏置
创建实例时，卷积操作使用的权重（weight）和偏置（bias）会自动初始化。在机器学习过程中，这些值会在训练过程中被逐步优化。
>>> conv1d.weight.shapetorch.Size([3, 2, 5])>>> conv1d.weightParameter containing:tensor([[[ 0.2076, 0.1669, -0.0984, 0.0040, -0.0094], [-0.0277, -0.0257, -0.3107, 0.2883, 0.2560]], [[ 0.0501, -0.2257, 0.0464, -0.0605, 0.1463], [-0.1195, 0.1820, 0.0764, 0.2922, -0.2718]], [[ 0.2699, -0.2734, 0.1698, 0.2720, -0.2554], [-0.0706, -0.2028, -0.2554, -0.1495, 0.2460]]], requires_grad=True)>>> conv1d.biasParameter containing:tensor([-0.1664, -0.0393, 0.2074], requires_grad=True)conv1d.weight表示每个滤波器的权重，形状为(输出通道数, 输入通道数, 滤波器大小)conv1d.bias表示每个滤波器的偏置，形状为(输出通道数)第三步：准备输入数据
Conv1d的输入数据必须是3维张量：
- 第1维：批次大小（
batch_size），表示一次处理的数据样本数量第2维：输入通道数，必须与创建Conv1d实例时指定的in_channels一致第3维：单个数据样本的长度。对于音频数据，通常是帧数>>> x = torch.rand(4, 2, 6) # 随机数据：批次大小4，2个输入通道，长度6>>> xtensor([[[0.5487, 0.5584, 0.7142, 0.6534, 0.2741, 0.9281], [0.8480, 0.2020, 0.3171, 0.4146, 0.8032, 0.4344]], [[0.6481, 0.6134, 0.9704, 0.5787, 0.1803, 0.1568], [0.6690, 0.8022, 0.2466, 0.2352, 0.2962, 0.2569]], [[0.7968, 0.8019, 0.4341, 0.4369, 0.5804, 0.2109], [0.8624, 0.1870, 0.9518, 0.7393, 0.3436, 0.4962]], [[0.5005, 0.9210, 0.0010, 0.9487, 0.0381, 0.5954], [0.5601, 0.9394, 0.3438, 0.5394, 0.6369, 0.4937]]])第四步：执行卷积操作
将输入数据x传递给conv1d并查看结果：
>>> y = conv1d(x)>>> y.shapetorch.Size([4, 3, 2])>>> ytensor([[[ 0.1683, 0.1969], [-0.2416, 0.1589], [ 0.3856, -0.0863]], [[ 0.0034, 0.1147], [-0.0358, -0.2050], [ 0.2556, 0.0671]], [[ 0.0630, -0.0035], [ 0.0246, 0.0918], [-0.1203, 0.1590]], [[ 0.2665, 0.0337], [-0.1590, 0.1789], [ 0.0974, 0.2275]]], grad_fn=<ConvolutionBackward0>)输出y是一个3维张量，形状为(批次大小, 输出通道数, 输出长度)。
第五步：理解计算过程
卷积操作遵循以下原则：
- 滤波器在输入数据上滑动计算元素乘积的和加上偏置
每个输出元素的计算公式为：
y[批次索引, 输出通道索引, 数据位置] = sum(x[批次索引, 输入通道0, (数据位置):(数据位置+滤波器大小)] @ conv1d.weight[输出通道索引, 输入通道0]) + sum(x[批次索引, 输入通道1, (数据位置):(数据位置+滤波器大小)] @ conv1d.weight[输出通道索引, 输入通道1]) + ... + conv1d.bias[输出通道索引]其中@表示点积操作，A @ B等同于A.dot(B)。
输出长度可以通过以下公式计算：
输出长度 = (输入长度 - 滤波器大小 + 1)例如，我们可以验证y[0,0,0]的计算：
>>> y[0,0,0] # 第0个数据样本，第0个输出通道，第0个输出数据位置tensor(0.1683, grad_fn=<SelectBackward0>)>>> x[0,0,0:5] @ conv1d.weight[0,0] + x[0,1,0:5] @ conv1d.weight[0,1] + conv1d.bias[0]tensor(0.1683, grad_fn=<AddBackward0>)同样，我们可以计算y[0, 0, 1]：
>>> y[0,0,1] # 第0个数据样本，第0个输出通道，第1个输出数据位置tensor(0.1969, grad_fn=<SelectBackward0>)>>> x[0,0,1:6] @ conv1d.weight[0,0] + x[0,1,1:6] @ conv1d.weight[0,1] + conv1d.bias[0]tensor(0.1969, grad_fn=<AddBackward0>)如上所示，Conv1d通过对输入数据x进行卷积操作生成新的特征量y。特征量y可用于音频识别、自然语言处理等各种1维（单通道或多通道）数据的处理任务。
总结
- 输入必须是3维张量：(批次大小, 输入通道数, 数据长度)输出也是3维张量：(批次大小, 输出通道数, 输出长度)输出长度由公式
输入长度 - 滤波器大小 + 1决定每个输出元素是输入数据与滤波器权重的点积加上偏置