一维卷积 以例子说明 tf.nn.conv1d 矩阵运算过程

这几天在看代码，然后看网上关于一维卷积介绍的文档很多，但是对于tf.nn.conv1d 矩阵运算过程几乎没有介绍，这里我就将刚弄懂的写出来，希望能帮到大家理解这个函数，也为了让自己以后能更好的查阅~~

---

conv1d(value,  filters, stride, padding, use_cudnn_on_gpu=None, data_format=None, name=None)

value: A 3D Tensor. Must be of type float16 or float32.
被卷积的矩阵：可以当成是[batch, sample, feature]

filters: A 3D Tensor. Must have the same type as input.
卷积核：形状 [filter_width, in_channels, out_channels]

stride: An integer. The number of entries by which the filter is moved right at each step.
步长：卷积核滑动步长

padding: ‘SAME’ or ‘VALID’
same和valid可以参考这篇文档：深度学习面试题09：一维卷积（Full卷积、Same卷积、Valid卷积、带深度的一维卷积）

废话不多说，咱们今天不讲原理，只讲其中矩阵运算过程~ 帮助大家理解~

---

卷积核filter 的形状：[filter_width, in_channels, out_channels]

• in_channels 必须等于被卷积的矩阵的第3维数，即列数
• out_channels 表示卷积核数目，类似于图像里，一个卷积核得到一个输出，这里有|out_channels |个卷积核，则输出必定有|out_channels| 列。
• filter_width 表示与 value 进行卷积的 个数/每次 （这里不懂可以以往后看例子）

---

例一：filter_width=1时：

举例，令被一维卷积的value维度是：(2,3,4)

令卷积核的filter维度是：(1,4,5)
即 [filter_width, in_channels, out_channels] = (1,4,5)

filter_width =1 说明每次对value里的一行进行卷积：

以value第一个batch里为例：

第一个batch中第1行的计算过程是：

第一个batch中第2行的计算过程是：

tf.nn.conv1d 一次对一个batch进行卷积处理，batch之间互不影响。
以此类推，完成一个batch的计算后，第二个batch的计算过程也如此。
所以value整体卷积的结果是：

以上filter_width=1时的代码如下：

sess= tf.Session()
    a = tf.Variable(np.random