简谈一维卷积

二维卷积在tf中是tf.layers.conv2d()，而一维卷积：tf.layers.conv1d()

1、一维卷积和二维卷积的区别

二维卷积就不赘述了，很多博客写的很好，自己之前也马虎写过一篇，主要讲一下一维卷积。
先讲一下二维卷积和一维卷积的区别，二维卷积是将一个特征图在width和height两个方向进行滑动窗口操作，对应位置进行相乘求和；而一维卷积卷积略有不同，其卷积核也是一个二维的，只是在width(lenth)单方向上进行滑动窗口并相乘求和。

图片来自：博客

还有有一篇博客写得比较好博客：
https://zhuanlan.zhihu.com/p/29201491

更通俗理解：
图中输入的词向量维度为5，输入大小为75，一维卷积和的大小为2、3、4，每个都有两个，总共6个特征。
对于k=4，见图中红色的大矩阵，卷积核大小为45，步长为1。这里是针对输入从上到下扫一遍，输出的向量大小为((7-4)/1+1)1=41，最后经过一个卷积核大小为4的max_pooling，变成1个值。最后获得6个值，进行拼接，在经过一个全连接层，输出2个类别的概率。

再看看主要参数：

tf.layers.conv1d（）

in_channels(int) – 输入信号的通道。在文本分类中，即为词向量的维度
out_channels(int) – 卷积产生的通道。有多少个out_channels，就需要多少个1维卷积
kernel_size(int or tuple) - 卷积核的尺寸，卷积核的大小为(k,)，第二个维度是由in_channels来决定的，所以实际上卷积大小为kernel_size*in_channels(二维的)，一般选3或者5
stride(int or tuple) - 卷积步长
padding (int or tuple)- 输入的每一条边补充0的层数
dilation(int or tuple) – 卷积核元素之间的间距
groups(int) – 从输入通道到输出通道的阻塞连接数
bias(bool) - 如果bias=True，添加偏置

参考：
https://www.cnblogs.com/LXP-Never/p/10763804.html
https://zhuanlan.zhihu.com/p/29201491
https://blog.csdn.net/sunny_xsc1994/article/details/82969867
https://blog.csdn.net/u011734144/article/details/84066928?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.channel_param#commentBox