一維卷積一般用於處理文字，所以輸入一般是一段長文字，就是詞的列表

函式定義如下：

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, filters, 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：

inputs = tf.placeholder('float', shape=[None, 6, 8])

out = tf.layers.conv1d(inputs, 5, 3)

說明： 對於一個樣本而言，句子長度為6個字，字向量的維度為8

filters=5, kernel_size=3， 所以卷積核的維度為3*8

那麼輸入6*8經過3*8的卷積核卷積後得到的是4*1的一個向量(4=6-3+1)

又因為有5個過濾器，所以是得到5個4*1的向量

畫圖如下：