1 功能
一维卷积一般用于处理文本数据，常用语自然语言处理中，输入一般是文本经过embedding的二维数据。
2 定义
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
)
3 参数
重要参数介绍：
- inputs： 输入tensor， 维度(batch_size, seq_length, embedding_dim) 是一个三维的tensor；其中，batch_size指每次输入的文本数量；seq_length指每个文本的词语数或者单字数；embedding_dim指每个词语或者每个字的向量长度；例如每次训练输入2篇文本，每篇文本有100个词，每个词的向量长度为20，那input维度即为(2, 100, 20)。
- 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。
4 举例
- 代码
# coding: utf-8
import tensorflow as tf
num_filters = 2
kernel_size = 2
batch_size = 1
seq_length = 4
embedding_dim = 5
embedding_inputs = tf.constant(-1.0, shape=[batch_size, seq_length, embedding_dim], dtype=tf.float32)
with tf.name_scope("cnn"):
conv = tf.layers.conv1d(embedding_inputs, num_filters, kernel_size, name='conv')
session = tf.Session()
session.run(tf.global_variables_initializer())
print (session.run(conv).shape)
输出为(1, 3, 2)。
- 原理
首先，batch_size = 1即为一篇文本，seq_length = 4定义文本中有4个字（假设以字为单位），embedding_dim = 5定义一个字的向量长度为5，这里初始化每个字的向量都为[1, 1, 1, 1, 1]，num_filters = 2定义有两个过滤器，kernel_size = 2定义每个卷积核的宽度为2，长度即为字向量长度5。一个卷积核通过卷积操作之后得到(4-2+1)*1（seq_length - kernel_size + 1）即3*1的向量，一共有两个卷积核，所以卷积出来的数据维度(1, 3, 2)其中1指一篇文本。 -
图解
cnn_layer.png - 后续
经过卷积之后得到2个feature maps，分别经过pooling层之后，两个3*1的向量就变成两个1*1的常数，在把这两个1*1的常数拼接在一起变成2*1向量，之后就可以进行下一步比如全连接或者softmax操作了。
