tf.nn.conv1d

1维卷积是在词维度上进行卷积。卷积核是二维的，卷积核的列和词向量的列数相同，只需指定卷积核的宽度，即二维矩阵的行数。

tf.nn.conv1d(value, filters, stride, padding)

value: [batch, in_width, in_channels]
batch是输入文本的个数
in_width是样本的单词个数
in_channels是每个单词的维度
(float32 or float64，必须是np.array，因为python基本类型有float，没有float32)

filters: [filter_width, in_channels, out_channels]
filter_width是卷积核的宽度
in_channels：即卷积核的列数，与词的维度相同
out_channels：卷积核的个数

stride: 在词方向滑动的步长

Padding：‘SAME’ 或者 ‘VALID’
’SAME‘，输出考虑边界
‘VALID’ 输出不考虑边界

测试代码为：

import tensorflow as tf
import numpy as np

a = np.array([[[1, 2, 3, 4], [6, 7, 8, 9], [11, 12, 13, 14], [0, 1, 1, 2], [0, 1, 1, 2], [0, 1, 1, 0]],
              [[1, 2, 3, 4], [6, 7, 8, 9], [11, 12, 13, 14], [0, 1, 1, 2], [0, 1, 1, 2], [0, 1, 1, 0]]],
             dtype=np.float16)
a = np.reshape(a, (2, 6, 4))
f = np.reshape(
    np.array([[[0, 1], [1, 3], [1, 4], [2, 0]], [[0, 0], [1, 0], [1, 0], [2, 0]], [[0, 0], [1, 0], [1, 1], [0, 0]]],
             dtype=np.float16), (3, 4, 2))
result = tf.nn.conv1d(a, f, 1, 'VALID')
with tf.Session() as sess:
    print(sess.run(result))