PyTorch Conv1D输出形状与预期不符问题咨询

用户搭建的判别器网络代码如下：

class Discriminator(nn.Module):
    def __init__(self, input_size, output_size):
        super(Discriminator, self).__init__()
        self.main = nn.Sequential(
            nn.Conv1d(1, 3000, 1),
            nn.LeakyReLU(0.2),
            nn.Conv1d(3000, 1, 1),
            nn.Sigmoid()
        )
    def forward(self, x):
        return self.main(x.float())

Discriminator = Discriminator()

训练时输入d_real_data的形状为[60, 1, 3000]（batch size=60，通道数=1，序列长度=3000），预期输出形状为[60,1,1]，但实际输出形状为[60,1,3000]，疑问为何Conv1D返回与输入形状相同的输出。

核心原因是你使用的卷积核大小为1，且未修改stride（步长）和padding（填充）的默认值，导致输出序列长度和输入完全一致。

PyTorch中Conv1D的输出序列长度计算公式为：

L_out = floor((L_in + 2*padding - kernel_size) / stride) + 1

默认参数下stride=1、padding=0，代入你的参数计算：

1. 第一个Conv1D层：输入序列长度3000，卷积核大小1，计算得(3000 + 0 -1)/1 +1 = 3000，输出形状为[60, 3000, 3000]
2. 第二个Conv1D层：输入序列长度仍是3000，卷积核大小1，计算后输出序列长度还是3000，最终输出形状为[60,1,3000]

如果想要得到预期的[60,1,1]输出，有两种常用方案：

• 方案一：使用自适应池化层：在第二个Conv1D后添加全局自适应池化，比如nn.AdaptiveAvgPool1d(1)，不管输入序列长度多少，都会将其压缩为长度1，示例修改如下：

  self.main = nn.Sequential(
      nn.Conv1d(1, 3000, 1),
      nn.LeakyReLU(0.2),
      nn.Conv1d(3000, 1, 1),
      nn.AdaptiveAvgPool1d(1),
      nn.Sigmoid()
  )
  

• 方案二：调整最后一层卷积核大小：将最后一个Conv1D的卷积核大小设为输入序列长度3000，即nn.Conv1d(3000,1,3000)，此时输出序列长度计算为(3000 +0 -3000)/1 +1=1，最终输出形状为[60,1,1]

内容的提问来源于stack exchange，提问作者Jpark9061