tf.nn.conv1d

conv1d 一维卷积

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

• value的格式为：[batch, in_width, in_channels]，batch为样本维，in_width为宽度维，表示样本的宽度，in_channels维通道维，表示样本有多少个通道，对应到本文输入[batch, sequence_length, hidden_size]
• [filter_width, in_channels, out_channels] filter_width可以看作每次与value进行卷积的行数，in_channels表示value一共有多少列（与value中的in_channels相对应）。out_channels表示输出通道，可以理解为一共有多少个卷积核，即卷积核的数目。
• stride：一个整数，表示步长，每次（向下）移动的距离。
• padding：‘SAME’或’VALID’
• use_cudnn_on_gpu：可选的bool,默认为True。
• data_format：一个可选的string,可以是"NWC"和"NCW"；默认为"NWC",数据按[batch,in_width,in_channels]的顺序存储；"NCW"格式将数据存储为[batch, in_channels, in_width]。
• name：操作的名称(可选)。

我们来理解一下怎么运算的
一个conv2d [128,128,3] 卷积核[3,3,64] ==> [128,128,64] 计算改变了通道数，实际上是每一个通道的卷积核与输入所有通道做计算。
类比一下 conv1d 卷积核变为1维 也就是filter_width，每一个新通道与旧的所有通道相乘，然后多个卷积核相加，实际上是一个矩阵相乘，旧通道为行乘新通道列，看做两个矩阵运算就得出了所有的旧通道*所有的新通道。矩阵运算完再做卷积核的运算应该会简洁很多。

看个例子:

import keras
import keras.backend as K

x = K.variable([[[0.5,0.5,0.5], [1.0,1.0,1.0], [1.5,1.5,1.5], [2.0,2.0,2.0], [2.5,2.5,2.5]]])  # (1,5,3)
# 卷积核大小3  输出通道5
cnn = keras.layers.Conv1D(5, 3, activation='relu', padding='same', kernel_initializer=keras.initializers.Ones(), bias_initializer=keras.initializers.Zeros())(x)
print(K.eval(cnn)) # shape: (1, 5, 5)

# (1*0.5+1*0.5+1*0.5)*3 3:通道
array([[[ 4.5,  4.5,  4.5,  4.5,  4.5],
        [ 9. ,  9. ,  9. ,  9. ,  9. ],
        [13.5, 13.5, 13.5, 13.5, 13.5],
        [18. , 18. , 18. , 18. , 18. ],
        [13.5, 13.5, 13.5, 13.5, 13.5]]], dtype=float32)

TensorFlow函数：tf.nn.conv1d