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))