tensorflow一维卷积输入_Tensorflow--一维离散卷积

Tensorflow–一维离散卷积

一维离散卷积的运算是一种主要基于向量的计算方式

一.一维离散卷积的计算原理

一维离散卷积通常有三种卷积类型：full卷积，same卷积和valid卷积

1.full卷积

full卷积的计算过程如下：K沿着I顺序移动，每移动一个固定位置，对应位置的值相乘，然后对其求和

其中K称为卷积核或者滤波器或者卷积掩码

2.valid卷积

从full卷积的计算过程可知，如果K靠近I，就会有部分延伸到I之外，valid卷积只考虑能完全覆盖K内的情况，即K在I内部移动的情况

3.same卷积

首先在卷积核K上指定一个锚点，然后将锚点顺序移动到输入张量I的每一个位置处，对应位置相乘然后求和，卷积核锚点的位置一般有以下规则，假设卷积核的长度为FL：

如果FL为奇数，则锚点的位置在(FL-1)/2处

如果FL为偶数，则锚点的位置在(FL-2)/2处

4.full，same，valid卷积的关系

假设一个长度为L的一维张量与一个长度为FL的卷积核卷积，其中Fa代表计算same卷积时，锚点的位置索引，则两者的full卷积与same卷积的关系如下：

Csame=Cfull[FL-Fa-1,FL-Fa+L-2]

full卷积C与valid卷积C的关系如下：

C=C[FL-1,L-1]

same卷积C与valid卷积C的关系如下：

C=C[FL-Fa-2,L-Fa_2]

注意：大部分书籍中对卷积运算的定义分为两步。第1步是将卷积核翻转180；第2步是将翻转的结果沿输入张量顺序移动，每移动到一个固定位置，对应位置相乘然后求和，如Numpy中实现的卷积函数convolve和Scipy中实现的卷积函数convolve，函数内部都进行了以上两步运算。可见，最本质的卷积运算还是在第2步。Tensorflow中实现的卷积函数

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

其内部就没有进行第1步操作，而是直接进行了第2步操作

import tensorflow as tf

# 输入张量I

I=tf.constant(

[

[[3],[4],[1],[5],[6]]

]

,tf.float32

)

# 卷积核

K=tf.constant(

[

[[-1]],

[[-2]],

[[2]],

[[1]]

]

,tf.float32

)

I_conv1d_K=tf.nn.conv1d(I,K,1,'SAME')

session=tf.Session()

print(session.run(I_conv1d_K))

[[[ 3.]

[ -4.]

[ 10.]

[ 1.]