tf.layers.conv1d函数解析（一维卷积）

本文主要是介绍tf.layers.conv1d函数解析（一维卷积），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一维卷积一般用于处理文本，所以输入一般是一段长文本，就是词的列表

 

函数定义如下：

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6*8经过3*8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

画图如下：

 

 

 

 

 

 

 

 

 

 

 

这篇关于tf.layers.conv1d函数解析（一维卷积）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---