代码演示：
from torch.autograd import Variable
import torch.nn as nn
conv1 = nn.Conv1d(1,100,2,2)
x = torch.randn(2, 1, 1500)
input = x
#.permute(0,2,1)
input = Variable(input)
out = conv1(input)
out.shape
torch.Size([2, 100, 750])
手动计算（1500-2）/2 +1 = 1448/2 +1 =750
如果是text数据，
from torch.autograd import Variable
import torch.nn as nn
conv1 = nn.Conv1d(1500,100,2,2)
x = torch.randn(2,5,1500) # 2个batch，5个单词，1500embedding vector
input = x.permute(0,2,1)
input = Variable(input)
out = conv1(input)
# CONV1D中的参数in_channels 数目要和input的shape[1]维度一致
# 即in_channels = 1500
# 如果是自己的流量数据，那么in_channels = 1,因为input = batch，1，1500
输出：batch，channels，2 = (5-2)/2 +1
torch.Size([2, 100, 2])
相当于降低了embeding的维度，2表示的是词语与词语之间的一个相似度的维度。
【总结】
nlp自然语言处理，数据与流量数据的类比；
batch，text_length,embeding_vector;这是原始的数据的存储的格式，输入到conv1d之前需要reshape下；
batch，embedding_vector,text_length;
输入到conv1d中的流量数据的格式：
batch, 1，1500；
所以，embedding_vector = 1,不需要再在另一个空间中对流量数据进行表示了；
text_length = 1500;
pytorch中conv1d在最后一个维度上进行卷积，也就是卷积核进行滑动，但是，在nlp中，滑动的过程是提取的一个句子中单词之间的相似度关系；
在流量数据中，滑动的过程提取的是1500个字节之间局部之间的相似度关系；