在用tensorflow做一維的卷積神經網路的時候會遇到tf.nn.conv1d和layers.conv1d這兩個函式，但是這兩個函式有什麼區別呢，通過計算得到一些規律。

1.關於tf.nn.conv1d的解釋，以下是Tensor Flow中關於tf.nn.conv1d的API註解：

Computes a 1-D convolution given 3-D input and filter tensors.

Given an input tensor of shape [batch,in_width,in_channels] if data_format is "NHWC",or [batch,in_channels,in_width] if data_format is "NCHW",and a filter / kernel tensor of shape [filter_width,out_channels],this op reshapes the arguments to pass them to conv2d to perform the equivalent convolution operation.

Internally,this op reshapes the input tensors and invokes `tf.nn.conv2d`. For example,if `data_format` does not start with "NC",a tensor of shape [batch,in_channels] is reshaped to [batch,1,in_channels],and the filter is reshaped to [1,filter_width,out_channels]. The result is then reshaped back to [batch,out_width,out_channels] whereoutwidthisafunctionofthestrideandpaddingasinconv2dwhereoutwidthisafunctionofthestrideandpaddingasinconv2d and returned to the caller.

Args: value: A 3D `Tensor`. Must be of type `float32` or `float64`. filters: A 3D `Tensor`. Must have the same type as `input`. stride: An `integer`. The number of entries by which the filter is moved right at each step. padding: 'SAME' or 'VALID' use_cudnn_on_gpu: An optional `bool`. Defaults to `True`. data_format: An optional `string` from `"NHWC","NCHW"`. Defaults to `"NHWC"`,the data is stored in the order of [batch,in_channels]. The `"NCHW"` format stores data as [batch,in_width]. name: A name for the operation (optional).

Returns:

A `Tensor`. Has the same type as input.

Raises:

ValueError: if `data_format` is invalid.

什麼意思呢？就是說conv1d的引數含義：(以NHWC格式為例，即，通道維在最後)

1、value：在註釋中，value的格式為：[batch,in_channels]，batch為樣本維，表示多少個樣本，in_width為寬度維，表示樣本的寬度，in_channels維通道維，表示樣本有多少個通道。 事實上，也可以把格式看作如下:[batch,行數,列數]，把每一個樣本看作一個平鋪開的二維陣列。這樣的話可以方便理解。

2、filters：在註釋中，filters的格式為：[filter_width,out_channels]。按照value的第二種看法，filter_width可以看作每次與value進行卷積的行數，in_channels表示value一共有多少列（與value中的in_channels相對應）。out_channels表示輸出通道，可以理解為一共有多少個卷積核，即卷積核的數目。

3、stride：一個整數，表示步長，每次（向下）移動的距離（TensorFlow中解釋是向右移動的距離，這裡可以看作向下移動的距離）。

4、padding：同conv2d，value是否需要在下方填補0。

5、name：名稱。可省略。

首先從引數列表可以看出value指的輸入的資料，stride就是卷積的步長，這裡我們最有疑問的就是filters這個引數，那麼我們對filter進行簡單的說明。從上面可以看到filters的格式為：[filter_width,這是一個數組的維度，對應的是卷積核的大小，輸入的channel的格式，和卷積核的個數，下面我們用例子說明問題：

import tensorflow as tf
import numpy as np
 
 
if __name__ == '__main__':
  inputs = tf.constant(np.arange(1,6,dtype=np.float32),shape=[1,5,1])
  w = np.array([1,2],dtype=np.float32).reshape([2,1])
  # filter width,filter channels and out channels(number of kernels)
  cov1 = tf.nn.conv1d(inputs,w,stride=1,padding='VALID')
  with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    out = sess.run(cov1)
    print(out)

其輸出為：

[[[ 5.],[ 8.],[11.],[14.]]]

我們分析一下，輸入的資料為[[[1],[2],[3],[4],[5]]],有5個特徵，分別對應的數值為1，2，3，4，5，那麼經過卷積的結果為5，8，11，14，那麼這個結果是怎麼來的呢，我們根據卷積的計算，可以得到5 = 1*1 + 2*2， 8=2*1+ 3*2， 11 = 3*1+4*2， 14=4*1+5*2， 也就是W1=1， W2=2，正好和我們先面filters設定的數值相等，

w = np.array([1,1])

所以可以看到這個filtes設定的是是卷積核矩陣的，換句話說，卷積核矩陣我們是可以設定的。

2. 1.關於tf.layers.conv1d,函式的定義如下

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
 
)

比較重要的幾個引數是inputs,kernel_size，下面分別說明

inputs : 輸入tensor， 維度(None,a,b) 是一個三維的tensor

None ： 一般是填充樣本的個數，batch_size

a ： 句子中的詞數或者字數

b : 字或者詞的向量維度

filters : 過濾器的個數

kernel_size : 卷積核的大小，卷積核其實應該是一個二維的，這裡只需要指定一維，是因為卷積核的第二維與輸入的詞向量維度是一致的，因為對於句子而言，卷積的移動方向只能是沿著詞的方向，即只能在列維度移動。一個例子：

import tensorflow as tf
import numpy as np
 
 
if __name__ == '__main__':
  inputs = tf.constant(np.arange(1,1])
  cov2 = tf.layers.conv1d(inputs,filters=1,kernel_size=2,padding='VALID')
  with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    out = sess.run(cov2)
    print(out)

輸出結果：

[[[-1.9953331]
 [-3.5520997]
 [-5.108866 ]
 [-6.6656327]]]

也許你得到的結果和我得到的結果不同，因為在這個函式裡面只是設定了卷積核的尺寸和步長，沒有設定具體的卷積核矩陣，所以這個卷積核矩陣是隨機生成的，就會出現可能執行上面的程式出現不同結果的情況。

以上這篇對tensorflow中tf.nn.conv1d和layers.conv1d的區別詳解就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。