tf.nn.conv1d

一、conv1d
  在NLP領域，甚至圖像處理的時候，我們可能會用到一維卷積（conv1d）。所謂的一維卷積可以看作是二維卷積（conv2d）的簡化，二維卷積是將一個特征圖在width和height兩個方向上進行滑窗操作，對應位置進行相乘並求和；而一維卷積則是只在width或者說height方向上進行滑窗並相乘求和。

tensorflow中的conv1d和conv2d的區別：conv1d是單通道的，conv2d是多通道，所以conv1d適合處理文本序列，conv2d適合處理圖像。

二、詳解
  conv1d的參數含義：(以NHWC格式為例，即，通道維在最后)

1、value：在注釋中，value的格式為：[batch, in_width, in_channels]，batch為樣本維，表示多少個樣本，in_width為寬度維，表示樣本的寬度，in_channels維通道維，表示樣本有多少個通道。
  事實上，也可以把格式看作如下:[batch, 行數, 列數]，把每一個樣本看作一個平鋪開的二維數組。這樣的話可以方便理解。

2、filters：在注釋中，filters的格式為：[filter_width, in_channels, out_channels]。按照value的第二種看法，filter_width可以看作每次與value進行卷積的行數，in_channels表示value一共有多少列（與value中的in_channels相對應）。out_channels表示輸出通道，可以理解為一共有多少個卷積核，即卷積核的數目。

3、stride：一個整數，表示步長，每次（向下）移動的距離（TensorFlow中解釋是向右移動的距離，這里可以看作向下移動的距離）。

4、padding：同conv2d，value是否需要在下方填補0。

5、name：名稱。可省略。

# tensorflow2.1.0+win10
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
import numpy as np

# 定義一個矩陣a，表示需要被卷積的矩陣。[batch, 行數, 列數]，把每一個樣本看作一個平鋪開的二維數組。
# 在注釋中，value的格式為：[batch, in_width, in_channels]，batch為樣本維，表示多少個樣本，in_width為寬度維，表示樣本的寬度，in_channels維通道維，表示樣本有多少個通道。
# 事實上，也可以把格式看作如下:[batch, 行數, 列數]，把每一個樣本看作一個平鋪開的二維數組。這樣的話可以方便理解。
a = np.array(np.arange(1, 1 + 20).reshape([1, 10, 2]), dtype=np.float32)

# 卷積核，此處卷積核的數目為1，filters：在注釋中，filters的格式為：[filter_width, in_channels, out_channels]。
# 按照value的第二種看法，filter_width可以看作每次與value進行卷積的行數，in_channels表示value一共有多少列（與value中的in_channels相對應）。
# out_channels表示輸出通道，可以理解為一共有多少個卷積核，即卷積核的數目。
kernel = np.array(np.arange(1, 1 + 4), dtype=np.float32).reshape([2, 2, 1])

# 進行conv1d卷積
conv1d = tf.nn.conv1d(a, kernel, 1, 'VALID')

with tf.Session() as sess:
    # 初始化
    sess.run(tf.global_variables_initializer())
    print(sess.run(conv1d))

　輸出：

　

 

卷積層輸出維度計算：

out_length = 向上取整（（in_length-filter_length+1）/ stride_length）

 10-2+1/1=9，卷積的輸出維度是9

 

參考：

https://blog.csdn.net/u013337743/article/details/87923618

https://blog.csdn.net/DaVinciL/article/details/81359245