如何在PyTorch中将线性模型转换为Conv1d实现

核心规则：PyTorch nn.Conv1d 输入输出维度要求 #

PyTorch的一维卷积层nn.Conv1d要求输入固定为3维张量，格式为：
(batch_size, in_channels, sequence_length)
其中：

• batch_size：批量大小
• in_channels：输入的通道数，对应Conv1d初始化的第一个参数
• sequence_length：序列的长度，也就是每个样本特征在时序/维度方向的长度
  输出维度格式和输入一致，为(batch_size, out_channels, sequence_length_out)，序列长度的计算公式为：

sequence_length_out = (sequence_length_in + 2*padding - kernel_size) / stride + 1

注：Keras默认的Conv1D输入格式是(batch_size, sequence_length, in_channels)，通道在最后一维，这是你两个框架概念混淆的核心原因。

原有问题的根因 #

你最初的报错是因为：

1. Linear层输出的是2维张量(batch_size, 64)，缺少通道维度，不满足Conv1d的3维输入要求
2. Conv1d的第一个参数设置为64，和实际输入的通道数不匹配
   你后续添加的torch.unsqueeze(x,1)是正确的，作用是给输入新增通道维度，把(batch_size, 26)转为(batch_size, 1, 26)，匹配Conv1d的3维输入要求。

符合需求的正确模型示例 #

你的需求是输入(N,26)，输出(N,6)，以下是无冗余逻辑的可运行版本：

import torch
import torch.nn as nn

class corrected_conv_model(nn.Module):
    def __init__(self, output_dim=6, activation=nn.ReLU):
        super(corrected_conv_model, self).__init__()
        self.net = nn.Sequential(
            # 输入形状：(N, 1, 26)
            nn.Conv1d(in_channels=1, out_channels=64, kernel_size=5, padding=2),
            activation(),
            nn.MaxPool1d(3, stride=1, padding=1),
            # 输出形状：(N,64,26)
            nn.Conv1d(in_channels=64, out_channels=32, kernel_size=3, padding=1, stride=2),
            activation(),
            nn.MaxPool1d(3, stride=1, padding=1),
            # 输出形状：(N,32,13)
            # 拉平特征用来接全连接层
            nn.Flatten(),
            # 32*13 = 416
            nn.Linear(416, 64),
            activation(),
            nn.Dropout(0.5),
            nn.Linear(64, output_dim)
        )

    def forward(self, x):
        # 输入x原始形状：(N, 26)，新增通道维度
        x = torch.unsqueeze(x, 1)
        out = self.net(x)
        return out

调用时不需要额外做squeeze，直接计算损失即可：

model = corrected_conv_model()
inputs = torch.randn(10, 26) # batch_size=10
outputs = model(inputs)
print(outputs.shape) # 输出为torch.Size([10,6])，符合要求

层衔接注意事项 #

• 全连接层nn.Linear作用在张量的最后一维，在Conv1d和Linear衔接时，如果不想保留序列结构，先调用nn.Flatten()把(N, C, L)的3维张量拉平为(N, C*L)的2维张量再喂给Linear
• 如果需要在Conv1d之间衔接，只需要保证上一层的输出通道数等于下一层Conv1d的in_channels参数即可

内容的提问来源于stack exchange，提问作者ALirezaSO