在看這兩個函式之前，我們需要先了解一維卷積(conv1d)和二維卷積(conv2d)，二維卷積是將一個特徵圖在width和height兩個方向進行滑動視窗操作，對應位置進行相乘求和；而一維卷積則只是在width或者height方向上進行滑動視窗並相乘求和。

一維卷積：tf.layers.conv1d()

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
)

引數：^[1]

• inputs：張量資料輸入，一般是[batch, width, length]
• filters：整數，輸出空間的維度，可以理解為卷積核_(濾波器)的個數
• kernel_size：單個整數或元組/列表，指定1D_{(一維，一行或者一列)}卷積視窗的長度。
• strides：單個整數或元組/列表，指定卷積的步長，預設為1
• padding："SAME" or "VALID" _{(不區分大小寫)}是否用0填充，
  • • SAME用0填充；
    • VALID不使用0填充，捨去不匹配的多餘項。
• activation：啟用函式
• ues_bias：該層是否使用偏差
• kernel_initializer：卷積核的初始化
• bias_initializer：偏置向量的初始化器
• kernel_regularizer：卷積核的正則化項
• bias_regularizer：偏置的正則化項
• activity_regularizer：輸出的正則化函式
• reuse：Boolean，是否使用相同名稱重用前一層的權重
• trainable：Boolean，如果True，將變數新增到圖collection中
• data_format：一個字串，一個channels_last（預設）或channels_first。輸入中維度的排序。
  • • channels_last：對應於形狀的輸入(batch, length, channels)
    • channels_first：對應於形狀輸入(batch, channels, length)
• name = 取一個名字

返回值：

　　一維卷積後的張量

例子

import tensorflow as tf 

x = tf.get_variable(name="x", shape=[32, 512, 1024], initializer=tf.zeros_initializer)
x = tf.layers.conv1d(
    x,
    filters=1,                    # 輸出的第三個通道是1
    kernel_size=512,            # 不用管它是多大，都不影響輸出的shape
    strides=1,
    padding='same',
    data_format='channels_last',
    dilation_rate=1,
    use_bias=True,
    bias_initializer=tf.zeros_initializer())

print(x)            # Tensor("conv1d/BiasAdd:0", shape=(32, 512, 1), dtype=float32)

解析：

1. 輸入資料的維度為[batch, data_length, data_width]=[32, 512, 1024]，一般輸入資料input第一維為batch_size，此處為32，意味著有32個樣本，第二維度和第三維度分別表示輸入的長和寬（512，1024）
2. 一維卷積核是二維的，也有長和寬，長為卷積核的數量kernel_size=512，因為卷積核的數量只有一個，所以寬為輸入資料的寬度data_width=1024，所以一維卷積核的shape為[512,1024]
3. filteres是卷積核的個數，即輸出資料的第三維度。filteres=1，第三維度為1
4. 所以卷積後的輸出資料大小為[32, 512, 1]

二維卷積：tf.layers.conv2d()

tf.layers.conv2d(
    inputs,
    filters,
    kernel_size,
    strides=(1, 1),
    padding='valid',
    data_format='channels_last',
    dilation_rate=(1, 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
)

引數：^[4]

• inputs：張量輸入。一般是[batch, width, length]
• filters：整數，輸出空間的維度，可以理解為卷積核_(濾波器)的個數
• kernel_size：2個整數或元組/列表，指定2D卷積視窗的高度和寬度。可以是單個整數，以指定所有空間維度的相同值。
• strides：2個整數或元組/列表，指定卷積沿高度和寬度方向的步幅。可以是單個整數，以指定所有空間維度的相同值。
• padding："SAME" or "VALID" _{(不區分大小寫)}是否用0填充，
  • • SAME用0填充；
    • VALID不使用0填充，捨去不匹配的多餘項。
• data_format：字串，"channels_last"（預設）或"channels_first"。輸入中維度的排序。
  • • channels_last：對應於具有形狀的輸入，(batch, height, width, channels)
    • channels_first：對應於具有形狀的輸入(batch, channels, height, width)
      
• activation：啟用函式
• use_bias：Boolean， 該層是否使用偏差項
• kernel_initializer：卷積核的初始化
• bias_initializer：  偏置向量的初始化。如果為None，將使用預設初始值設定項
• kernel_regularizer：卷積核的正則化項
• bias_regularizer：  偏置向量的正則化項
• activity_regularizer：輸出的正則化函式
• trainable：Boolean，如果True，將變數新增到圖collection中
• name：圖層的name
• reuse：Boolean，是否使用相同名稱重用前一層的權重

返回：

　　二維卷積後的張量

例子：

import tensorflow as tf 

x = tf.get_variable(name="x", shape=[1, 3, 3, 5], initializer=tf.zeros_initializer)
x = tf.layers.conv2d(
    x,
    filters=1,                    # 結果的第三個通道是1
    kernel_size=[1, 1],            # 不用管它是多大，都不影響輸出的shape
    strides=[1, 1],
    padding='same',
    data_format='channels_last',
    use_bias=True,
    bias_initializer=tf.zeros_initializer())

print(x)            # shape=(1, 3, 3, 1)

解析：

1. input輸入是1張 3*3 大小的圖片，影象通道數是5，輸入shape=(batch, data_length， data_width， data_channel）
2. kernel_size卷積核shape是 1*1，數量filters是1strides步長是[1,1]，第一維和第二維分別為長度方向和寬度方向的步長 = 1。
3. 最後輸出的shape為[1,3,3,1] 的張量，即得到一個3*3的feature map（batch，長，寬，輸出通道數）
4. 長和寬只和strides有關，最後一個維度 = filters。

卷積層中的輸出大小計算

　　設輸入圖片大小W，Filter大小F，步長為S，padding為P，輸出圖片的大小為N：

$$N=\frac{W-F+2P}{S}+1$$

　　向下取整後再加1。

在Tensoflow中，Padding有2個選型，'SAME'和'VALID' ，下面舉例說明差別：

如果 Padding='SAME'，輸出尺寸為： W / S_{（向上取整）}

import tensorflow as tf

input_image = tf.get_variable(shape=[64, 32, 32, 3], dtype=tf.float32, name="input", initializer=tf.zeros_initializer)
conv0 = tf.layers.conv2d(input_image, 64, kernel_size=[3, 3], strides=[2, 2], padding='same')  # 32/2=16
conv1 = tf.layers.conv2d(input_image, 64, kernel_size=[5, 5], strides=[2, 2], padding='same')  
# kernel_szie不影響輸出尺寸
print(conv0)      # shape=(64, 16, 16, 64)
print(conv1)      # shape=(64, 16, 16, 64)

如果 Padding='VALID'，輸出尺寸為：(W - F + 1) / S

import tensorflow as tf

input_image = tf.get_variable(shape=[64, 32, 32, 3], dtype=tf.float32, name="input", initializer=tf.zeros_initializer)
conv0 = tf.layers.conv2d(input_image, 64, kernel_size=[3, 3], strides=[2, 2], padding='valid')  # (32-3+1)/2=15
conv1 = tf.layers.conv2d(input_image, 64, kernel_size=[5, 5], strides=[2, 2], padding='valid')  # (32-5+1)/2=14
print(conv0)      # shape=(64, 15, 15, 64)
print(conv1)      # shape=(64, 14, 14, 64)

參考文獻：

[1] tensorflow官方API tf.layers.conv1d

[2] tf.layers.conv1d函式解析（一維卷積）

[3] tf.layer.conv1d、conv2d、conv3d

[4] tensorflow官方API tf.layers.conv2d

&n