官方文档介绍
https://pytorch.org/docs/master/nn.html#convolution-layers
pytorch 中文文档：
https://pytorch-cn.readthedocs.io/zh/latest/
当然，在pycharm中查找某个函数的具体结构时也可以ctrl+click
CONV1D
https://pytorch.org/docs/master/generated/torch.nn.Conv1d.html#torch.nn.Conv1d
在由多个输入平面组成的输入信号上应用一维卷积。
torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros')在最简单的情况下，具有输入大小的图层的输出值
和输出
可以精确地描述为：
- 在⋆ 是有效的互相关运算符， N是一个批处理大小，C表示多个通道， L 是信号序列的长度。该模块支持TensorFloat32。
stride控制互相关的步幅，单个数字或一个元素的元组。padding控制padding点数两侧的隐式填充量。dilation控制内核点之间的间距；也称为àtrous算法。很难描述，但是此链接 对操作做了很好的可视化dilation。groups控制输入和输出之间的连接。in_channels并且out_channels必须都可以被整除groups。例如，- 在groups= 1时，所有输入都卷积为所有输出。
- 在groups = 2时，该操作等效于并排设置两个conv层，每个conv层看到一半的输入通道并产生一半的输出通道，并且随后都将它们级联。
- 在groups =
in_channels，每个输入通道都与自己的一组过滤器（
- ).
当groups = in_channels和out_channels == K * in_channels时，其中K为正整数，此操作也称为“深度卷积”。
换句话说，对于大小的输入
，可以使用参数执行 深度乘数K的深度卷积
在某些情况下，当在CUDA设备上使用张量时，此运算符可能会选择不确定的算法来提高性能。如果不希望这样做，可以尝试通过设置确定操作（可能以性能为代价）。torch.backends.cudnn.deterministic = True
https://pytorch.org/docs/master/notes/randomness.html
重现性
在PyTorch发行版，单独的提交或不同的平台上，不能保证完全可重复的结果。此外，即使使用相同的种子，结果在CPU和GPU执行之间也可能无法重现。
但是，您可以采取一些步骤来限制特定平台，设备和PyTorch版本的不确定行为的来源。首先，您可以控制可能导致应用程序的多个执行行为不同的随机性源。其次，您可以配置PyTorch以避免对某些操作使用不确定的算法，这样，在给定相同输入的情况下，对这些操作的多次调用将产生相同的结果。
警告
确定性操作通常比非确定性操作慢，因此对于您的模型，单次运行性能可能会降低。但是，确定性可以通过促进实验，调试和回归测试来节省开发时间。
参数
- in_channels（int）–输入图像中的通道数
- out_channels（int）–卷积产生的通道数
- kernel_size（int或tuple）–卷积内核的大小
- 步幅（int或tuple，可选）–卷积的步幅。默认值：1
- padding（int或tuple，可选）–将零填充添加到输入的两侧。默认值：0
- padding_mode（字符串，可选） 默认：
'zeros''reflect''replicate''circular''zeros'- 膨胀（int或tuple，可选）–内核元素之间的间距。默认值：1
- 组（int，可选）–从输入通道到输出通道的阻塞连接数。默认值：1
- 偏差（bool，可选）–如果为
True，则向输出添加可学习的偏差。默认：True
N是一个批处理大小，C表示多个通道， L 是信号序列的长度
