tf.nn.conv1d（）详细正确解析

一维卷积处理文本，在某些场合，效果非常好

函数定义如下：

tf.layers.conv1d(
inputs,
filters,
kernel_size,
strides=1,
padding='valid',
data_format='channels_last',
dilation_rate=1,
activation=None,
use_bias=True,
kernel_initializer=None,
bias_initializer=tf.zeros_initializer(),
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None,
trainable=True,
name=None,
reuse=None
)

比较重要的几个参数是inputs, filters, kernel_size，下面分别说明
inputs： 这个参数一般是经过词向量大矩阵embedding得到，如下
inputs = tf.nn.embedding_lookup(embedding, self.input_x)
其维度是：(batch_size, max_seqlength, embedding_dim) ,第三个维度是词向量矩阵维度
filters : 过滤器的个数，和conv2d差不多
kernel_size : 卷积核的大小，卷积核其实应该是一个二维的，维度是（3，embeding_dim），这里只需要指定一维，是因为卷积核的第二维与输入的词向量维度是一致的，(个人理解：如果第二个维度不是和embendding_dim一样，那么一句话顺序将会被打乱)因为对于句子而言，卷积的移动方向只能是沿着词的方向，即只能在列维度移动

说明： 对于batch_size个样本而言，句子长度为6个字，字向量的维度为8
filters=5, kernel_size=3， 所以卷积核的维度为38
那么输入68经过38的卷积核卷积后得到的是41的一个向量(4=6-3+1)
又因为有5个过滤器，则结果应该是横向拼接，维度是 4x5
最终的维度是 [batch_size, 4, 5]
画图如下：