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, 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]
\(where out_width is a function of the stride and padding as in conv2d\) 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.
什麼意思呢？就是說conv1d的參數含義：(以NHWC格式爲例，即，通道維在最後)
1、value：在註釋中，value的格式爲：[batch, in_width, in_channels]，batch爲樣本維，表示多少個樣本，in_width爲寬度維，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：在註釋中，filters的格式爲：[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，可以理解爲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，這裏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，這裏我們最有疑問的就是filters這個參數，那麼我們對filter進行簡單的說明。從上面可以看到filters的格式爲：[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)
其輸出爲：[[[ 5.],
[ 8.],
[11.],
[14.]]]
我們分析一下，輸入的數據爲[[[1],[2],[3],[4],[5]]],有5個特徵，分別對應的數值爲1，2，3，4，5，那麼經過卷積的結果爲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.關於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，這裏只需要指定一維，是因爲卷積核的第二維與輸入的詞向量維度是一致的，因爲對於句子而言，卷積的移動方向只能是沿着詞的方向，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，因爲在這個函數裏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。
引用：