tf.layers.conv1d函数解析（一维卷积）

标题都是原文链接，可以点进去看。这里只做个简单的总结，方便以后用。

tf.layers.conv1d函数解析（一维卷积）

函数形式：

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 : 输入tensor， 维度(None, a, b) 是一个三维的tensor

         None  ：  一般是填充样本的个数，batch_size

         a         ：  句子中的词数或者字数

         b          :    字或者词的向量维度

filters : 过滤器的个数

kernel_size : 卷积核的大小，卷积核其实应该是一个二维的，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，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

一个例子：

inputs = tf.placeholder(‘float’, shape=[None, 6, 8])

out = tf.layers.conv1d(inputs, 5, 3)

说明： 对于一个样本而言，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3*8

那么输入68经过38的卷积核卷积后得到的是4*1的一个向量(4=6-3+1)

又因为有5个过滤器，所以是得到5个4*1的向量