Tensorflow2.0之 tf.keras.layers.Conv1D 做自然语言处理

tf.keras.layers.Conv1D(
    filters, kernel_size, strides=1, padding='valid', data_format='channels_last',
    dilation_rate=1, activation=None, use_bias=True,
    kernel_initializer='glorot_uniform', bias_initializer='zeros',
    kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None,
    kernel_constraint=None, bias_constraint=None, **kwargs
)

这是Tensorflow的API文档给的参数例子，参数的含义上面也有写，但参数太多，并且我感觉说的不是很明白，所以我自己写了一个例子，给大家讲解一下它的主要参数的含义以及输入格式(如有错误望请指正)。

input_shape = (15, 7, 4)
x = tf.random.normal(input_shape)
y = tf.keras.layers.Conv1D(64, 4,strides=2, activation='relu', padding="same",input_shape=input_shape)(x)
print('y的数据形式：',y.shape)

首先我们要知道，Conv1D是一维卷积，主要用来处理自然语言处理方面的信息输入。
input_shape:其输入的维度是三维的tensor,（batch,seq_len,dim）的格式。batch:你要输入的文本数量。seq_len:一个文档中文字的数量（每个文档的度是一样的，而我们的文档的长度大部分是不一样的，所以我们要先对文档做预处理，进行填充使得它们的长度一致）。dim:把我们的第二个维度中的词做成向量的维度。（这个一般会用到Word2Vec）.例如：（4，22，6） 有四个文档，每个文档有22个单词，每个单词映射到六维表示。

filters：过滤器（卷积核）的数目

kernel_size：卷积核的大小，卷积核本身应该是二维的，这里只需要指定一维，因为第二个维度即长度与词向量的长度一致，卷积核只能从上往下走，不能从左往右走，即只能按照文本中词的顺序，也是列的顺序。

strides : 每次卷积的步长，如果不指定的话，默认是1.

padding：防止处于最外面的数据不能被充分学习到。

上面的例子上输入是 ： 过滤器是64个，卷积核大小是4，步长是2， 输入是一个三维数据。
最有我们输出卷积后的数据格式是：(15, 4, 64)

那这个形式是怎么得到的呢？
15： 15 是我们输入的文档数量，这个不论怎么卷积也不会改变的。
4： 4是我们进行一次卷积操作后得到的。因为卷积核是4，所以每次卷积选四列，每次移动两列，padding方式是’same’ 所以卷积后剩下的列数是：(seq_len - kernel_size)+2padding/strides+1 = 4(向下取整) padding = 1
64： 64是我们过滤器的数量，有多少个过滤器你的第三个维度就是多少。