通读了从论文中找的代码，终于找到这个痛点了！
以下详解nn.Conv1d方法
1 参数说明
in_channels(int) – 输入信号的通道。
out_channels(int) – 卷积产生的通道。
kernel_size(int or tuple) - 卷积核的尺寸，经测试后卷积核的大小应为in_channels（行）*kernel_size（列）
stride(int or tuple, optional) - 卷积步长
padding(int or tuple, optional) - 输入的每一条边补充0的层数
dilation(int or tuple, `optional`) – 卷积核元素之间的间距
groups(int, optional) – 从输入通道到输出通道的阻塞连接数
bias(bool, optional) - 如果bias = True，添加偏置
2、具体例子
import torch
import torch.nn as nn
# 创建输入张量
# 可以看作三维数组，举个例子，65个句子
# 每个句子有9个字，每个字生成了144维的词向量
x = torch.randn(65, 9, 144)
# 创建卷积
conv = nn.Conv1d(in_channels=9, out_channels=64, kernel_size=16,stride=8)
out = conv(x)
print(out.shape)
输出结果：torch.Size([65, 64, 17])
解释：卷积操作后的参数分别表示batch数量（与in_channels相关）、卷积核数量（与out_channels相关）、卷积结果的数量（与kernel_size和stride相关）。
前两个参数好理解，最后一个参数再详细说一下：在计算时可以直接忽略第一个参数直接当做一个9x144的二维数组和一个9x16的卷积核做卷积运算，卷积核移动步长为8:
如上图所示，这是其中一个卷积核在数据上的前两步计算过程。
