tf.layers.conv1d

最新推荐文章于 2022-04-19 12:05:33 发布

原创最新推荐文章于 2022-04-19 12:05:33 发布 · 910 阅读

3 ·

CC 4.0 BY-SA版权

本文详细解析了一维卷积层(tf.layers.conv1d)在TensorFlow中的应用，包括其输入参数、过滤器、卷积核大小等概念，并通过具体实例展示了如何在不同场景下配置和使用一维卷积层。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

$t f . l a y e r s . c o n v 1 d$

conv = tf.layers.conv1d(inputs, filters, kernel_size, name='conv')

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
实例：filters=2
在这里插入图片描述

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。

实例：kernel_size=2
在这里插入图片描述

在这里插入图片描述

# 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)

sess = tf.InteractiveSession()

embedding_inputs.eval()

在这里插入图片描述


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)

在这里插入图片描述

参数补充：

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
)

实例：

conv1_g = tf.layers.conv1d(inputs=z_combine, filters=256, kernel_size=5,padding='same')

z_combine = tf.concat([z, conditioning],-1)

G_sample = generator_conditional(Z, Condition)  # 取得生成器的生成结果

Z = tf.placeholder(tf.float32, shape=[batch_size, 4,1])  # Z表示生成器的输入(在这里是噪声)，是一个(N,16,2)矩阵
Condition = tf.placeholder(tf.float32, shape=[batch_size, 4,1])  # 生成器和判别器的条件输入，是一个(N,4,2)的矩阵