在tf.nn.conv1d的文档中指出
在内部，此op重塑输入张量并调用tf.nn.conv2d。例如，如果data_format并非以“ NC”开头，则将形状为[batch，in_width，in_channels]的张量整形为[batch，1，in_width，in_channels]，并将过滤器整形为[1，filter_width，in_channels， out_channels]。然后将结果重新整形为[batch，out_width，out_channels]（其中out_width是conv2d中跨度和填充的函数），并返回给调用方。
我知道这些操作是等效的，但是我对实现细节的含义有些困惑。
重塑会产生一些计算开销吗？ 3D卷积具有自己的实现，那么为什么不使用1D卷积呢？
感谢您提供任何有助于我理解TensorFlow实施细节的解释！
答案 0 :(得分：0)
仔细研究一下源代码，我得出结论，这样做可能是为了方便和简化实现-下面详细介绍。
首先，没有“重塑”，只有扩展，压缩和重新排序暗淡，这只是很小的开销。内存中实际上没有移动任何数组元素-仅更改了张量对象的索引说明符。
第二，所有img.clipsToBounds = true
最终都路由到tf.nn_ops.convolution_internal，然后路由到conv或gen_nn_ops.conv2d； gen_nn_ops.conv3d中不存在conv1d。请注意，由于某些原因，您不会在Git存储库中找到该文件-但该文件应该在您的本地安装gen_nn_ops.py中。
最后，要想真正了解为什么没有专用的/python/ops/gen_nn_ops.py实现，您需要询问conv1d中发现的卷积算法背后的cuDNN开发人员；他们可能没有发现性能上的改进，并且gen_nn_ops.py的运行速度也一样快。从低层次的角度来看，这是有道理的，因为沿着conv2d输入滑动带有N x 1个元素的内核时矩阵乘法的次数与沿着{{1 }}-同样，唯一的区别在于索引编制。
不幸的是，开发人员决定封装最终调用，即M x 1；该模块包含一个N和一个M文件-基本上是经过编译的C（Cython）代码，需要反汇编才能进行内省。
TL; DR（1）“重塑”的开销很小。 （2）由于_pywrap_tensorflow_internal.TFE_Py_FastPathExecute一样快，因此每个备用冗余都可能缺少专用的.lib实现； （3）我不是cuDNN专家，所以如果您需要确定，最好在cuDNN进行询问，或阅读他们的SDK Documentation。另外，TF Github的开发人员可能会有所帮助。我已经多年没有看到cuDNN开发人员对SO的回答了，所以在这里发布可能不是最好的选择。
Dim重新排序性能演示：
.pydconv1d