PyTorch中，一维卷积可以通过torch.nn.Conv1d模块来实现。下面是一个简单的例子，展示了如何使用Conv1d进行一维卷积计算：
import torch
import torch.nn as nn
# 创建一个一维卷积层
conv1d = nn.Conv1d(in_channels=1, out_channels=3, kernel_size=2)
# 输入数据（一维张量）
input_data = torch.randn(10, 1, 16) # 10个样本，每个样本1个通道，长度为16
# 通过卷积层
output_data = conv1d(input_data)
print("输入数据形状：", input_data.shape)
print("输出数据形状：", output_data.shape)
在这个例子中，我们创建了一个Conv1d层，其中in_channels表示输入通道数，out_channels表示输出通道数，kernel_size表示卷积核的大小。输入数据是一个形状为(10, 1, 16)的一维张量，表示有10个样本，每个样本1个通道，长度为16。通过卷积层后，输出数据的形状为(10, 3, 14)，表示有10个样本，每个样本3个通道，长度为14。
注意，卷积操作会改变输入数据的长度。具体来说，输出数据的长度等于(input_length - kernel_size + 2 * padding) / stride + 1，其中padding表示填充大小，stride表示步长。在上面的例子中，我们没有使用填充和步长，所以输出数据的长度减少了2。