對tensorflow中tf.nn.conv1d和layers.conv1d的區別是什么

小編給大家分享一下對tensorflow中tf.nn.conv1d和layers.conv1d的區別是什么，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

在用tensorflow做一維的卷積神經網絡的時候會遇到tf.nn.conv1d和layers.conv1d這兩個函數，但是這兩個函數有什么區別呢，通過計算得到一些規律。

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

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, in_channels, 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_width, in_channels] is reshaped to [batch, 1, in_width, in_channels], and the filter is reshaped to [1, filter_width, in_channels, 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_width, in_channels]. The `"NCHW"` format stores data as [batch, in_channels, 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.

什么意思呢？就是說conv1d的參數含義：(以NHWC格式為例，即，通道維在最后)

1、value：在注釋中，value的格式為：[batch, in_width, 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數組。這樣的話可以方便理解。

2、filters：在注釋中，filters的格式為：[filter_width, in_channels, 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，這里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。

首先從參數列表可以看出value指的輸入的數據，stride就是卷積的步長，這里我們最有疑問的就是filters這個參數，那么我們對filter進行簡單的說明。從上面可以看到filters的格式為：[filter_width, in_channels, out_channels],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, 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，輸入的數據為[[[1],[2],[3],[4],[5]]],有5個特征，分別對應的數值為1，2，3，4，5，那么經過卷積的結果為5，8，11，14，那么這個結果是怎么來的呢，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設置的數值相等，

w = np.array([1, 2], dtype=np.float32).reshape([2, 1, 1])

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

2. 1.關于tf.layers.conv1d,函數的定義如下

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
 
)

比較重要的幾個參數是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，這里只需要指定一維，是因為卷積核的第二維與輸入的詞向量維度是一致的，因為對于句子而言，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, 6, dtype=np.float32), shape=[1, 5, 1])
  cov2 = tf.layers.conv1d(inputs, filters=1, kernel_size=2, strides=1, 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，因為在這個函數里面只是設置了卷積核的尺寸和步長，沒有設置具體的卷積核矩陣，所以這個卷積核矩陣是隨機生成的，就會出現可能運行上面的程序出現不同結果的情況。

以上是“對tensorflow中tf.nn.conv1d和layers.conv1d的區別是什么”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！