tf.layer.conv1d、conv2d、conv3d

下面我都是抄的，如果说是正确，那么conv3d就是2d+时间域的吧？

网上搜的一篇资料，还没看：tensorflow中一维卷积conv1d处理语言序列的一点记录
tensorflow中的conv1d和conv2d的区别：conv1d是单通道的，conv2d是多通道，所以conv1d适合处理文本序列，conv2d适合处理图像。
conv1d
import tensorflow as tf
input = tf.Variable(tf.random_normal([1, 5, 20]))
params1 = {"inputs": input, "filters": 2048, "kernel_size": 2,"strides":1,"activation": tf.nn.relu, "use_bias": True,"padding":'SAME'}
op01 = tf.layers.conv1d(**params1)
init = tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(init)
print(sess.run(tf.shape(op01)))
>>>[1,5,2048]

输入input第一维为batch_size,此处为1，即只有一个样本，第二维和第三维分别表示输入的长和宽，在文本中就是word_embedding矩阵，句子长度为5，embedding维度为20。
在文本中，卷积的某一维大小往往为embedding长度，即在宽度上不需要窗口移动，宽度就是整个窗口。所以conv1d默认卷积的宽度就为embedding维度，长度是通过kernel_size来指定的，此处为2，即卷积核的大小为2*embedding_size。strides为步长，此处为1，即卷积核每隔一个单词移动一次。filters是卷积核的个数，即输出的维度。padding有valid和same两种选择，valid在长度方向（宽度方向不padding）不进行padding，而same则在长度方向进行padding，保证输入句子长度和卷积后输出的句子长度一致，此处为5。

conv2d
#case 1
#input输入是1张 3*3 大小的图片，图像通道数是5(batch,长，宽，输入通道数）
#filter卷积核是 1*1 大小，数量是1（长，宽，输入通道数，输出通道数（卷积核个数））
#strides步长是[1,1,1,1]，第一维和最后一维保持1不变，第二维和第三维分别为长度方向和宽度方向的步长。
#1张图最后输出的op1就是一个 shape为[1,3,3,1] 的张量，即得到一个3*3的feature map（batch，长，宽，输出通道数）
input = tf.Variable(tf.random_normal([1, 3, 3, 5]))
filter = tf.Variable(tf.random_normal([1, 1, 5, 1]))
op1 = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='SAME')

这是另一个内容

 

class AveragePooling1D：1D输入的平均池层.

class AveragePooling2D：2D输入的平均池层(例如图像).

class AveragePooling3D：3D输入的平均池层(例如,体积).

class Conv1D：一维卷积层(例如时间卷积).

class Conv2D：二维卷积层(例如图像上的空间卷积).

class Conv3D：3D卷积层(例如卷上的空间卷积).

class MaxPooling1D：1D输入的最大池层.

class MaxPooling2D：2D输入的最大池层(例如图像).

class MaxPooling3D：3D输入的最大池层(例如卷).