【Torch】nn.Conv1d、nn.Conv2d、nn.Conv3d算法详解

1. nn.Conv1d

1.1 输入（Input）和输出（Output）

• 输入张量
  形状：(batch_size, in_channels, length)

  • batch_size：一次过网络的样本数
  • in_channels：每个样本的通道数（特征维度）
  • length：一维序列长度（时间步/采样点数）

• 输出张量
  形状：(batch_size, out_channels, L_out)

  • out_channels：卷积核个数，也就是输出通道数
  • L_out：输出长度，由下面公式决定

1.2 输出长度计算公式

L_out = ⌊(length + 2·padding - dilation·(kernel_size−1) − 1) / stride⌋ + 1

• ⌊·⌋ 表示向下取整
• 当 stride=1、dilation=1 且想让 L_out = length 时，令

  padding = (kernel_size - 1) // 2
  

  且 kernel_size 应为奇数。

1.3 构造函数入参详解

nn.Conv1d(in_channels: int,out_channels: int,kernel_size: int or tuple,stride: int or tuple = 1,padding: int or tuple = 0,dilation: int or tuple = 1,groups: int = 1,bias: bool = True,padding_mode: str = 'zeros'
)

参数	类型	说明
in_channels	int	输入通道数，必须与输入张量的第二维度匹配。
out_channels	int	输出通道数，即卷积核数量，也决定了输出张量的通道数。
kernel_size	int 或 1-tuple	卷积核大小。单个整数表示每次跨越 kernel_size 个位置；也可写成 (k,)。
stride	int 或 1-tuple	步幅：卷积核每次滑动的长度；默认为 1。
padding	int 或 1-tuple	边界补零数；默认为 0。可用来控制输出长度或让特征对齐。
dilation	int 或 1-tuple	膨胀系数：在卷积核内部元素之间插入 (dilation−1) 个“空洞”。
groups	int	分组卷积： ‒1（默认）：标准卷积 ‒ =in_channels：每通道独立卷积（Depthwise） ‒ 其它：将通道分为若干组，各组内部卷积
bias	bool	是否加偏置项；如果后面接 BatchNorm1d，常设为 False。
padding_mode	{‘zeros’,‘reflect’,‘replicate’,‘circular’}	填充模式；默认 'zeros'。其余几种根据边界不同策略插值或循环。

1.4 各参数作用和典型场景

1. in_channels & out_channels

   • 直接决定参数量：

     参数量 ≈ out_channels × in_channels × kernel_size
     

   • 设计网络时，通道数往往从少到多（如 1→16→32→64），提取越来越丰富的特征。

2. kernel_size

   • 越大感受野越宽，但参数量和计算量增加。
   • 常用 3、5、7，小模型常选 3；序列任务也会用 [3,5,7] 多尺度并行。

3. stride

   • 控制下采样率。stride>1 会缩短序列长度，类似池化的效果。
   • 如果不想丢信息，设为 1；想快速减少长度，可设为 2、4。

4. padding

   • 保证边界信息，或让输出与输入对齐。
   • “same” 效果：padding = (kernel_size−1)//2，需 stride=1, dilation=1。

5. dilation

   • 增大感受野的同时保持参数量不变。
   • WaveNet、语音分割、序列建模中常用。

6. groups

   • groups=in_channels → Depthwise 卷积，极大减少计算量（MobileNet 系列）。
   • groups>1 且不等于 in_channels → 分组卷积（ResNeXt 即用到）。

7. bias & BatchNorm1d

   • 若后面加了 BN，可不加 bias；否则对非线性对齐、加偏效果更好。

8. padding_mode

   • 对信号边界处理更灵活：
     • 'reflect'：镜像填充
     • 'replicate'：复制边界值
     • 'circular'：循环填充

1.5 示例

import torch
import torch.nn as nn# 1. 定义 Conv1d 层
conv = nn.Conv1d(in_channels=2,out_channels=4,kernel_size=5,stride=2,padding=2,dilation=1,groups=1,bias=False,padding_mode='zeros'
)# 2. 输入：batch=8, channels=2, length=100
x = torch.randn(8, 2, 100)# 3. 前向
y = conv(x)print(f"输入 shape: {x.shape}")
print(f"输出 shape: {y.shape}")# 4. 手动验证输出长度
L_out = (100 + 2*2 - 1*(5-1) - 1) // 2 + 1
print(f"计算的输出长度: {L_out}")
assert y.shape[-1] == L_out

输出：

输入 shape: torch.Size([8, 2, 100])
输出 shape: torch.Size([8, 4, 50])
计算的输出长度: 50

1.6 使用注意事项

• 维度顺序：务必保证输入是 (N, C, L)，尤其对接入预处理或自定义 Dataset 时不要搞反通道和长度维度。
• 长度保持：要 “同尺寸” 通常 stride=1, dilation=1, padding=(k−1)//2，且 k 为奇数。
• 参数对齐：groups 和通道数要整除匹配，否则初始化会报错。
• 结合 BatchNorm/Activation：常见顺序是

  Conv1d → BatchNorm1d → ReLU
  

  或

  Conv1d(bias=False) → BatchNorm1d → ReLU
  

• Memory/Speed：大 kernel_size、大 out_channels、小 groups 都会显著增加计算和显存，实践中常做微调。

2. nn.Conv2d

2.1 输入（Input）和输出（Output）

• 输入张量
  形状：(batch_size, in_channels, height, width)

  • batch_size：一次过网络的样本数
  • in_channels：输入通道数，例如 RGB 图像是 3
  • height, width：图像（或特征图）的高和宽

• 输出张量
  形状：(batch_size, out_channels, H_out, W_out)

  • out_channels：卷积核个数，也是输出通道数
  • H_out, W_out：输出高宽，由下面的公式计算得出

2.2 输出尺寸计算公式

对于高（height）方向：

H_out = ⌊(height + 2·padding[0] - dilation[0]·(kernel_size[0]-1) - 1) / stride[0]⌋ + 1

对于宽（width）方向同理：

W_out = ⌊(width  + 2·padding[1] - dilation[1]·(kernel_size[1]-1) - 1) / stride[1]⌋ + 1

• ⌊·⌋ 表示向下取整
• 如果 stride=1, dilation=1 并希望 H_out=height, W_out=width，则令

  padding = ((kernel_size[0]-1)//2, (kernel_size[1]-1)//2)
  

  且 kernel_size 各维应为奇数。

2.3 构造函数入参详解

nn.Conv2d(in_channels: int,out_channels: int,kernel_size: int or tuple,stride: int or tuple = 1,padding: int or tuple = 0,dilation: int or tuple = 1,groups: int = 1,bias: bool = True,padding_mode: str = 'zeros'
)

参数	类型	说明
in_channels	int	输入通道数，必须与输入张量第2维匹配。
out_channels	int	输出通道数，决定卷积核数量以及输出张量第2维。
kernel_size	int 或 2-tuple	卷积核大小。 单个整数表示同高同宽；元组 (k_h,k_w) 可分别指定。
stride	int 或 2-tuple	步幅：控制卷积核滑动的步长。 默认为 1（不下采样）。
padding	int 或 2-tuple	边界补零层数。 可为单值或 (pad_h,pad_w)。
dilation	int 或 2-tuple	膨胀系数：在卷积核内元素之间插入 (dilation−1) 个间隔。
groups	int	分组卷积： ‒ 1（默认）：标准卷积 ‒ =in_channels：Depthwise 卷积 ‒ 其它：通道分组后各组内卷积
bias	bool	是否添加偏置项；若后接 BatchNorm2d，可设为 False。
padding_mode	{‘zeros’,‘reflect’,‘replicate’,‘circular’}	填充模式；默认 'zeros'。

2.4 参数作用与典型场景

1. in_channels & out_channels

   • 参数量：out_channels × in_channels × k_h × k_w。
   • 通道数一般从小到大设计（例如 3→16→32→64）以逐步提取更丰富特征。

2. kernel_size

   • 大核：更大感受野但参数/计算增加。
   • 小核（如 3×3）：常用，能堆叠模拟更大感受野且节省参数（VGG、ResNet 均用 3×3）。

3. stride

   • >1 会下采样（缩小 H_out/W_out），等价于卷积 + 池化叠加。
   • 若希望保留所有空间信息，使用 stride=1。

4. padding

   • “same” 填充：padding = ((k_h−1)//2, (k_w−1)//2) 保持高宽不变（需 stride=1, dilation=1）。
   • 边界补零可缓和边缘效应。

5. dilation

   • 可在不增大核尺寸的情况下扩展感受野。
   • 在语义分割（DeepLab）、序列建模、波形生成中常用。

6. groups

   • groups=in_channels：Depthwise 卷积，极大减少乘加量（MobileNet）。
   • 1<groups<in_channels：分组卷积，ResNeXt 等网络使用。

7. bias & BN

   • 若后接 BatchNorm2d → 多余偏置，可设 bias=False；仅卷积 + ReLU 时通常保留偏置。

8. padding_mode

   • 除 zeros 外，reflect（镜像填充）、replicate（边界复制）、circular（循环填充）可根据图像边界特征选择。

2.5 示例

import torch
import torch.nn as nn# 定义一个 Conv2d 层
conv2d = nn.Conv2d(in_channels=3,        # 输入RGB通道out_channels=16,      # 输出特征图通道数kernel_size=(3, 3),   # 3×3 卷积stride=(1, 1),        # 步幅1，不下采样padding=(1, 1),       # same 填充，保持尺寸dilation=(1, 1),      # 不使用膨胀groups=1,             # 标准卷积bias=False,           # 后接 BatchNorm2d 时可以 Falsepadding_mode='zeros'  # 零填充
)# 输入：batch=8, C=3, H=64, W=64
x = torch.randn(8, 3, 64, 64)# 前向
y = conv2d(x)print("输入 shape:", x.shape)   # torch.Size([8,3,64,64])
print("输出 shape:", y.shape)   # torch.Size([8,16,64,64])# 验证输出尺寸
H_out = (64 + 2*1 - 1*(3-1) - 1) // 1 + 1
W_out = (64 + 2*1 - 1*(3-1) - 1) // 1 + 1
print("计算 H_out, W_out:", H_out, W_out)
assert y.shape[2:] == (H_out, W_out)

2.6 使用注意事项

• 维度顺序：确保输入为 (N, C, H, W)，预处理管道或自定义 Dataset 时不要弄反。
• 同尺寸卷积：stride=1, dilation=1, padding=(k−1)//2 且 k 为奇数。
• 分组/深度卷积：groups 必须整除 in_channels 和 out_channels，否则会报错。
• 性能权衡：大 kernel_size、大 out_channels、小 groups → 计算/显存开销大；小 groups 或 groups=in_channels → 轻量但信息融合有限。
• 典型组合：

  Conv2d(bias=False) → BatchNorm2d → ReLU
  

  或

  Conv2d → ReLU → MaxPool2d
  

• 边界填充模式：对自然图像常用 reflect 或 replicate，可减少硬零填充带来的边缘伪影。

3.nn.Conv3d

3.1 输入（Input）和输出（Output）

• 输入张量
  形状：(batch_size, in_channels, depth, height, width)

  • batch_size：一次过网络的样本数
  • in_channels：输入通道数，例如医学体数据常是 1（灰度）或多模态时>1
  • depth, height, width：体数据的深度、行高和列宽

• 输出张量
  形状：(batch_size, out_channels, D_out, H_out, W_out)

  • out_channels：卷积核个数，也是输出通道数
  • D_out, H_out, W_out：输出的深度、高度和宽度，由下面公式计算得出

3.2 输出尺寸计算公式

对于深度（depth）方向：

D_out = ⌊(depth + 2·padding[0] - dilation[0]·(kernel_size[0]−1) − 1) / stride[0]⌋ + 1

对于高度（height）和宽度（width）方向同理：

H_out = ⌊(height + 2·padding[1] - dilation[1]·(kernel_size[1]−1) − 1) / stride[1]⌋ + 1
W_out = ⌊(width  + 2·padding[2] - dilation[2]·(kernel_size[2]−1) − 1) / stride[2]⌋ + 1

• ⌊·⌋ 表示向下取整
• 若希望 D_out=depth, H_out=height, W_out=width（保持尺寸不变），需 stride=1, dilation=1 且

  padding = ((kernel_size[0]-1)//2,(kernel_size[1]-1)//2,(kernel_size[2]-1)//2
  )
  

  且每个 kernel_size 维度为奇数。

3.3 构造函数参数详解

nn.Conv3d(in_channels: int,out_channels: int,kernel_size: int or tuple,stride: int or tuple = 1,padding: int or tuple = 0,dilation: int or tuple = 1,groups: int = 1,bias: bool = True,padding_mode: str = 'zeros'
)

参数	类型	说明
in_channels	int	输入通道数，必须与输入张量的第2维匹配。
out_channels	int	输出通道数，即卷积核数量，也决定输出张量的第2维。
kernel_size	int 或 3-tuple	卷积核大小。 单个整数表示 d×d×d，元组 (k_d,k_h,k_w) 可分别指定。
stride	int 或 3-tuple	步幅。控制卷积核在各维度滑动的步长。默认为 1（无下采样）。
padding	int 或 3-tuple	边界补零数。可为单值或 (pad_d,pad_h,pad_w)。用于控制输出尺寸或保持边界信息。
dilation	int 或 3-tuple	膨胀系数：在卷积核内部元素之间插入 (dilation−1) 个间隔以增大感受野。
groups	int	分组卷积： ‒ 1（默认）：标准卷积 ‒ =in_channels：每通道独立卷积（Depthwise 卷积） ‒ 其它：按组分通道，各组内部卷积
bias	bool	是否加偏置项；若后接 BatchNorm3d，可设为 False。
padding_mode	{‘zeros’,‘reflect’,‘replicate’,‘circular’}	填充模式；默认 'zeros'。其他模式按镜像、复制或循环策略处理边界。

3.4 参数作用与典型场景

1. in_channels & out_channels

   • 参数量≈out_channels × in_channels × k_d × k_h × k_w。
   • 设计时常沿用“通道逐层增加”策略（如 1→8→16→32），逐级提取更丰富的空间-体素特征。

2. kernel_size

   • 大核（如 5×5×5）感受野大，但参数和计算量显著增加。
   • 小核（3×3×3）常用，可叠加多层模拟更大感受野且更高效（如 3D-ResNet、C3D 网络）。

3. stride

   • >1 会在相应维度下采样，减小数据尺寸，类似 3D 池化。
   • 若不想丢特征，使用 stride=1; 若要快速降采样，可设为 (2,2,2)。

4. padding

   • 保持边界信息、防止空间尺寸急剧缩小。
   • “same” 填充：设为 (k_i−1)//2 可在 stride=1,dilation=1 时保持尺寸。

5. dilation

   • 扩张卷积，可在不增加核大小的情况下增大感受野，常用于分割任务（如 3D 医学图像分割）。

6. groups

   • groups=in_channels → Depthwise 3D 卷积（MobileNet-3D 变体）。
   • 分组卷积可减小计算开销、启发出多路径特征提取（ResNeXt-3D 等）。

7. bias & BN

   • 对于 “Conv3d → BatchNorm3d” 可关掉 bias，减少冗余；单纯卷积时保留更灵活。

8. padding_mode

   • 自然场景体数据较少用非零填充，但在边缘伪影敏感的医学体数据上，可尝试 reflect、replicate 或 circular。

3.5 示例

import torch
import torch.nn as nn# 1. 定义 Conv3d 层
conv3d = nn.Conv3d(in_channels=1,          # 单通道体数据out_channels=4,         # 输出4个特征通道kernel_size=(3, 3, 3),  # 3×3×3 卷积stride=(1, 2, 2),       # 深度不下采样，高宽各下采样2padding=(1, 1, 1),      # same 填充dilation=(1, 1, 1),     # 普通卷积groups=1,               # 标准bias=False,             # 后接 BNpadding_mode='zeros'    # 零填充
)# 2. 构造输入：batch=2, C=1, D=8, H=64, W=64
x = torch.randn(2, 1, 8, 64, 64)# 3. 前向计算
y = conv3d(x)print("输入 shape:", x.shape)   # torch.Size([2,1, 8,64,64])
print("输出 shape:", y.shape)   # torch.Size([2,4, 8,32,32])# 4. 验证输出尺寸
D_out = (8  + 2*1 - 1*(3-1) - 1) // 1 + 1   # =8
H_out = (64 + 2*1 - 1*(3-1) - 1) // 2 + 1   # =32
W_out = (64 + 2*1 - 1*(3-1) - 1) // 2 + 1   # =32
assert y.shape[2:] == (D_out, H_out, W_out)

3.6 使用注意事项

• 维度顺序：务必保证输入为 (N, C, D, H, W)，切忌把通道与其中任一空间维搞错。
• 同尺寸卷积：要保持 D/H/W 不变，需 stride=1,dilation=1 且 padding=(k_i−1)//2，kernel_size 各维为奇数。
• 分组/深度卷积：groups 必须整除 in_channels 与 out_channels，否则报维度不匹配错误。
• 性能考量：3D 卷积计算量和显存开销大，设计网络时多用小核叠加、合适下采样、或借助 groups 降低复杂度。
• 典型配合：

  Conv3d(bias=False) → BatchNorm3d → ReLU
  

  或

  Conv3d → ReLU → MaxPool3d
  

• 边界填充模式：对医学体数据可尝试 reflect/replicate，减少边缘假性纹理。

4.小结

4.1 输入输出

• Conv1d：处理一维序列，输入 (N, C_in, L) → 输出 (N, C_out, L_out)。
• Conv2d：处理二维平面（图像、特征图），输入 (N, C_in, H, W) → 输出 (N, C_out, H_out, W_out)。
• Conv3d：处理体数据（视频帧序列、医学体素），输入 (N, C_in, D, H, W) → 输出 (N, C_out, D_out, H_out, W_out)。

4.2 典型应用场景

• Conv1d：时间序列预测、语音/音频特征提取、传感器信号处理。
• Conv2d：图像分类、目标检测、语义分割、风格迁移等所有平面图像相关任务。
• Conv3d：3D 医学图像分割（CT/MRI）、视频动作识别、三维点云特征学习。

4.3 参数通用性

所有三者均共享相同的设计思路和参数：

• in_channels, out_channels（通道数）
• kernel_size（卷积核大小，一维/二维/三维对应 1–3 元组）
• stride（步幅）
• padding（边界填充）
• dilation（膨胀率）
• groups（分组卷积/Depthwise）
• bias（偏置项）
• padding_mode（如 zeros, reflect 等）

4.4 输出尺寸公式

对每个空间/时间维度均可用：

L_out = ⌊(L_in + 2·pad − dilation·(k−1) −1) / stride⌋ + 1

其中 k, pad, stride, dilation 可为单值或对应维数的元组。

4.5 使用注意

1. 维度顺序要对齐：始终是 (batch, channels, …dims…)。
2. 保持“same”尺寸：stride=1, dilation=1 且 padding=(k−1)//2（k为奇数）。
3. 分组卷积：groups 必须能整除 in_channels 和 out_channels；groups=in_channels 做 Depthwise 卷积。
4. 结合 BatchNorm：若后面接 BatchNorm，可将 bias=False，减少冗余。
5. 计算与内存：随着维度增加（1→2→3D）、kernel_size 或 out_channels 增大，计算量和显存需求呈指数增长，注意合理下采样和分组。

5.Conv1D计算实例

• 输入参数
  • 批大小$B=1$
  • 输入通道数$C_{\mathrm{in}}=4$，长度$L_{\mathrm{in}}=4$
  • 卷积核大小$K=2$，步幅$\text{stride}=1$，填充$\text{padding}=0$，膨胀$\text{dilation}=1$
  • 输出通道数$C_{\mathrm{out}}=2$

5.1 输出维度计算

长度方向输出为
$$L_{\mathrm{out}}=\lfloor \frac{L_{\mathrm{in}}+2\mathrm{padding}-\mathrm{dilation}(K-1)-1}{\mathrm{stride}}+1\rfloor =\lfloor \frac{4+0-1-1}{1}+1\rfloor =3.$$
所以输出张量形状为
$$(1,C_{\mathrm{out}}=2,L_{\mathrm{out}}=3).$$

5.2 具体数值例子

1 输入张量$X\in {\mathbb{R}}^{1\times 4\times 4}$

我们取：
$$X[0,0,:]=[1,2,3,4],X[0,1,:]=[5,6,7,8],X[0,2,:]=[9,10,11,12],X[0,3,:]=[13,14,15,16].$$

2 卷积核权重$W\in {\mathbb{R}}^{2\times 4\times 2}$，偏置$b=[0,0]$

• 第 0 号输出通道$(W[0,:,:])$: 所有通道、所有位置权重都设为 1
  $$W[0,:,:]=\left[\begin{array}{cc}1& 1\\ 1& 1\\ 1& 1\\ 1& 1\end{array}\right]$$
• 第 1 号输出通道 只“看”通道 2 和 3
  $$W[1,:,:]=\left[\begin{array}{cc}0& 0\\ 0& 0\\ 1& 1\\ 1& 1\end{array}\right]$$

3 滑窗展开（Unfold）

• 每条通道从长度 4 上取$K=2$连续滑窗，步幅 1，共$L_{\mathrm{out}}=3$个窗口。
• 将$C_{\mathrm{in}}K=4\times 2=8$行、$L_{\mathrm{out}}=3$列堆成矩阵$M\in {\mathbb{R}}^{8\times 3}$：
  $$M=\left[\begin{array}{ccc}1& 2& 3\\ 2& 3& 4\\ 5& 6& 7\\ 6& 7& 8\\ 9& 10& 11\\ 10& 11& 12\\ 13& 14& 15\\ 14& 15& 16\end{array}\right].$$

4 权重拉平

• 把$W$的每个输出通道的$(4,2)$小核展平为 8 维向量：
  $$W_{\mathrm{flat}}=\left[\begin{array}{c}\underset{\text{第0通道}}{\underbrace{1,1,1,1,1,1,1,1}}\\ \underset{\text{第1通道}}{\underbrace{0,0,0,0,1,1,1,1}}\end{array}\right]\in {\mathbb{R}}^{2\times 8}.$$

5 矩阵乘 + 偏置

$$Y_{\mathrm{flat}}=W_{\mathrm{flat}}M+b\left[\underset{L_{\mathrm{out}}}{\underbrace{1,1,1}}\right]=\left[\begin{array}{cccccccc}1& 1& 1& 1& 1& 1& 1& 1\\ 0& 0& 0& 0& 1& 1& 1& 1\end{array}\right]\left[\begin{array}{ccc}1& 2& 3\\ 2& 3& 4\\ 5& 6& 7\\ 6& 7& 8\\ 9& 10& 11\\ 10& 11& 12\\ 13& 14& 15\\ 14& 15& 16\end{array}\right].$$

• 第 0 通道（全通道求和）：
  $$[1+2+5+6+9+10+13+14,2+3+6+7+10+11+14+15,3+4+7+8+11+12+15+16]=[60,78,96].$$
• 第 1 通道（只求通道 2、3）：
  $$[9+10+13+14,10+11+14+15,11+12+15+16]=[46,50,54].$$

6 恢复输出张量形状

将$Y_{\mathrm{flat}}\in {\mathbb{R}}^{2\times 3}$reshape 成$(1,2,3)$：

Y[0,0,:] = [60, 78, 96]
Y[0,1,:] = [46, 50, 54]

总结：

• 输出维度$(1,2,3)$来自于$C_{\mathrm{out}}=2$和$L_{\mathrm{out}}=3$。
• 底层是先 Unfold → 拼成$(C_{\mathrm{in}}K)\times L_{\mathrm{out}}$的滑窗矩阵 → 用$(C_{\mathrm{out}}\times C_{\mathrm{in}}K)$的权重做矩阵乘 → 加偏置 → reshape。

5.3 通俗理解

1个batch下，100维度7个时间步的数据，使用kernel_size=2，out_channels=变成=10，如何通俗解释一下？

• 原始数据：每个样本是一条“7 天×100 维” 的时间序列，形状$(100,7)$。横轴是时间（一周的 7 天），竖轴是每天的 100 个特征。

• kernel_size=2：相当于你每次“看两天”——滑动窗口宽度是 2 天。

• out_channels=10：相当于你准备了 10 台不同的“提炼机”（滤波器），每台机子专门学会从这两天里 100 维的原始特征中，提炼出一个新的“综合指标”（一个标量）。

• 滑动过程：

  1. 窗口 1–2 天：把第 1 天和第 2 天上各自的 100 维拼在一起，交给 10 台“提炼机”，每台机子输出一个分数 → 得到 10 维。
  2. 窗口 2–3 天：同样再看第 2、3 天的 100 维，10 台机子各产出一个分数 → 又是一组 10 维。
  3. …如此往后，直到看第 6、7 天。

• 输出长度：由于一周 7 天，窗口宽 2 天、步幅默认为 1 天，就能滑出$7-(2-1)=6$ 个位置（1–2、2–3、…、6–7）。

• 输出形状：每个样本变成$(10,6)$ —— 10 条新特征，6 个时间点（每个点对应原来的两天窗口）。

打个比方

想象你是气象专家，每天记录 100 种气象指标（温度、湿度、风速……共 100 种）。现在你要学“2 天为期”的短期趋势分析：

• 你设计了 10 种 短期趋势摘要方法（out_channels=10），
• 每种方法每天都对“前两天的数据”做一次综合打分，
• 然后滑过一周，就得到了 6 个连续两天的趋势分数，每个分数是 10 维。

这样，Conv1d 就把原来“一周×100 维”的原始数据，转换成了“6 个两天窗口×10 维”的高层特征，更利于后续捕捉短期模式和做预测。