sequence_conv¶

paddle.fluid.layers. sequence_conv ( input, num_filters, filter_size=3, filter_stride=1, padding=True, padding_start=None, bias_attr=None, param_attr=None, act=None, name=None ) [源代码] ¶

注意：该OP的输入只能是LoDTensor，如果您需要处理的输入是Tensor类型，请使用conv2d函数（fluid.layers. conv2d ）。

该OP在给定的卷积参数下（如卷积核数目、卷积核大小等），对输入的变长序列（sequence）LoDTensor进行卷积操作。默认情况下，该OP会自适应地在每个输入序列的两端等长地填充全0数据，以确保卷积后的序列输出长度和输入长度一致。支持通过配置 padding_start 参数来指定序列填充的行为。

提示： 参数 padding 为无用参数，将在未来的版本中被移除。

这里详细介绍数据填充操作的细节：
对于一个min-batch为2的变长序列输入，分别包含3个、1个时间步（time_step），
假设输入input是一个[4, N]的float类型LoDTensor，为了方便，这里假设N = 2
    input.data = [[1, 1],
                  [2, 2],
                  [3, 3],
                  [4, 4]]
    input.lod = [[0, 3, 4]]

即输入input总共有4个词，每个词被表示为一个2维向量。

Case1:

若 padding_start = -1，filter_size = 3，
则两端填充数据的长度分别为：
    up_pad_len = max(0, -padding_start) = 1
    down_pad_len = max(0, filter_size + padding_start - 1) = 1

则以此填充后的输入数据为：
    data_aftet_padding = [[0, 0, 1, 1, 2, 2],
                          [1, 1, 2, 2, 3, 3],
                          [2, 2, 3, 3, 0, 0],
                          [0, 0, 4, 4, 0, 0]]

它将和卷积核矩阵相乘得到最终的输出，假设num_filters = 3：
    output.data = [[ 0.3234, -0.2334,  0.7433],
                   [ 0.5646,  0.9464, -0.1223],
                   [-0.1343,  0.5653,  0.4555],
                   [ 0.9954, -0.1234, -0.1234]]
    output.shape = [4, 3]     # 3 = num_filters
    output.lod = [[0, 3, 4]]  # 保持不变

参数：

• input (Variable) - 维度为 \(（M, K)\) 的二维LoDTensor，仅支持lod_level为1。其中M是mini-batch的总时间步数，K是输入的 hidden_size 特征维度。数据类型为float32或float64。

• num_filters (int) - 滤波器的数量。

• filter_size (int) - 滤波器的高度（H）；不支持指定滤波器宽度（W），宽度固定取值为输入的 hidden_size 。默认值为3。

• filter_stride (int) - 滤波器每次移动的步长。目前只支持取值为1，默认为1。

• padding (bool) - 此参数不起任何作用，将在未来的版本中被移除。 无论 padding 取值为False或者True，默认地，该函数会自适应地在每个输入序列的两端等长地填充全0数据，以确保卷积后的输出序列长度和输入长度一致。默认填充是考虑到输入的序列长度可能会小于卷积核大小，这会导致无正确计算卷积输出。填充为0的数据在训练过程中不会被更新。默认为True。

• padding_start (int) - 表示对输入序列填充时的起始位置，可以为负值。负值表示在每个序列的首端填充 |padding_start| 个时间步（time_step）的全0数据；正值表示对每个序列跳过前 padding_start 个时间步的数据。同时在末端填充 \(filter\_size + padding\_start - 1\) 个时间步的全0数据，以保证卷积输出序列长度和输入长度一致。如果 padding_start 为None，则在每个序列的两端填充 \(\frac{filter\_size}{2}\) 个时间步的全0数据；如果 padding_start 设置为0，则只在序列的末端填充 \(filter\_size - 1\) 个时间步的全0数据。默认为None。

• bias_attr (ParamAttr) - 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 ParamAttr 。

• param_attr (ParamAttr) - 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。

• act (str) – 应用于输出上的激活函数，如tanh、softmax、sigmoid，relu等，支持列表请参考 激活函数 ，默认值为None。

• name (str，可选) – 具体用法请参见 Name ，一般无需设置，默认值为None。

返回：和输入序列等长的LoDTensor，数据类型和输入一致，为float32或float64。

返回类型：Variable

代码示例

import paddle.fluid as fluid
x = fluid.layers.data(name='x', shape=[10,10], append_batch_size=False, dtype='float32')
x_conved = fluid.layers.sequence_conv(x,2)