python中的一维卷积conv1d和二维卷积conv2d

先来看二维卷积conv2d

conv2d(input, filter, strides, padding, use_cudnn_on_gpu=True, data_format="NHWC", dilations=[1, 1, 1, 1], name=None)

"""Computes a 2-D convolution given 4-D `input` and `filter` tensors."""

给定4维的输入张量和滤波器张量来进行2维的卷积计算。

input：4维张量，形状：[batch, in_height, in_width, in_channels]

filter：滤波器（卷积核），4维张量，形状：[filter_height, filter_width, in_channels, out_channels]

strides：滤波器滑动窗口在input的每一维度上，每次要滑动的步长，是一个长度为4的一维张量。

padding：边界填充算法参数，有两个值：‘SAME’、‘VALID’。具体差别体现在卷积池化后，特征图的大小变化上面。卷积池化后特征矩阵的大小计算参见https://blog.csdn.net/qq_26552071/article/details/81171161

return：该函数返回一个张量，其类型与input输入张量相同。

 

再看一维卷积conv1d，python中的一维卷积最终还是通过二维卷积实现的