TF 笔记：关于 conv1D

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_23947237/article/details/82968619

TF 笔记：关于 conv1D

有了 2d 卷积的理解，看 1d 应该更容易理解。对一维来讲，卷积就是对一条线一小段一小段地叠加。

conv1d(
    value,
    filters,
    stride,
    padding,
    use_cudnn_on_gpu=None,
    data_format=None,
    name=None
)

所以有，

• input 的形状：[batch, in_width, in_channels]
• filter 的形状：[filter_width, in_channels, out_channels]
• stride 的取值：一个整形数字。
• output 的形状：[batch, out_width, out_channels]

假设输入数据为 1 条语句，共 8 个词。每个词对应于 16 维向量。利用的 filter 也一定是对应于 16 维的，filter 数量为 1，如果选择长度为 5 的 filter，则经过卷积输出长度为 $(8-5+1)=4$。由于只有 1 条输入，则输出的 shape 为 $1\times 4 \times 1$。
在这里，

batch = 1
in_width = 8
in_channels = 16

则根据输入的 shape，有

filter_width = 5
out_width = 4
out_channels = 1

总结

假设 input 为 $10\times 8 \times 16$，filters 为 $5 \times 16\times 3$，则 output 为 $10 \times 4 \times 3$。

• 实验

import tensorflow as tf
import numpy as np

# 定义向量
input = np.array(np.arange(1, 1+10*8*16).reshape([10, 8, 16]), dtype=np.float32)
print(input.shape)

# 卷积核
kernel = np.array(np.arange(1, 1+5*16*3), dtype=np.float32).reshape([5, 16, 3])
print(kernel.shape)

# 进行conv1d卷积
conv1out = tf.nn.conv1d(input, kernel, 1, 'VALID')

init = tf.global_variables_initializer()

with tf.Session() as sess:
    # 初始化
    sess.run(init)
    # 输出卷积值
    print(sess.run(conv1out).shape)

输出

(10, 8, 16)
(5, 16, 3)
(10, 4, 3)