张量流中的基本一维卷积

张量流中的基本一维卷积

不好意思地说，但是您的第一个代码几乎是正确的。你只是倒置

x

和

phi

在

tf.nn.conv2d

：

g = tf.Graph()with g.as_default():    # data shape is "[batch, in_height, in_width, in_channels]",    x = tf.Variable(np.array([0.0, 0.0, 0.0, 0.0, 1.0]).reshape(1, 1, 5, 1), name="x")    # filter shape is "[filter_height, filter_width, in_channels, out_channels]"    phi = tf.Variable(np.array([0.0, 0.5, 1.0]).reshape(1, 3, 1, 1), name="phi")    conv = tf.nn.conv2d(        x,        phi,        strides=[1, 1, 1, 1],        padding="SAME",        name="conv")

---

更新：
从版本r0.11开始，TensorFlow现在支持使用1D卷积

tf.nn.conv1d

。我以前在粘贴到这里的stackoverflow文档中（现在已绝种）做了一个使用它们的指南：

---

一维卷积指南

考虑一个基本示例，该示例的长度

10

和尺寸输入

16

。批量大小为

32

。因此，我们有一个带有输入shape的占位符

[batch_size, 10,16]

。

batch_size = 32x = tf.placeholder(tf.float32, [batch_size, 10, 16])

然后，我们创建一个宽度为3的过滤器，并以

16

通道作为输入，并同时输出

16

通道。

filter = tf.zeros([3, 16, 16])  # these should be real values, not 0

---

最后，我们应用

tf.nn.conv1d

跨距和填充：- 跨距 ：整数

s

- 填充
：这与2D相似，您可以在

SAME

和之间进行选择

VALID

。

SAME

将输出相同的输入长度，而

VALID

不会添加零填充。

在我们的示例中，跨度为2，有效填充为空白。

output = tf.nn.conv1d(x, filter, stride=2, padding="VALID")

输出形状应为

[batch_size, 4, 16]

。
使用

padding="SAME"

，我们的输出形状为

[batch_size, 5, 16]

。