Question

对于conv2d，假设输入的2D矩阵具有形状（W，H）且conv核心大小为（Wk，H），这意味着内核的高度与输入矩阵的高度相同。在这种情况下，我们可以认为内核大小为Wk的conv1执行与conv2d相同的计算吗？

例如：

tf.layers.conv2d(
    kernel_size=tf.Variable(tf.truncated_normal([Wk, H, 1, out_dim], stddev=0.1),
    input=...
)

等于：

tf.layers.conv1d(kernel_size=Wk, input=...)

Answer 1

他们不一样; conv2d内核有更多的权重，因此会以不同的方式进行训练。此外，根据padding的设置，conv2d操作的输出大小也可能不是1D。

Answer 2

tf.nn.conv1d只需致电tf.nn.conv2d

这是tf.nn.conv1d的描述：

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]的张量重塑为[batch, 1, in_width, in_channels]，并将过滤器重塑为[1, filter_width, in_channels, out_channels]。然后将结果重新调整为[batch, out_width, out_channels]（其中out_width是步幅和填充的函数，如conv2d一样）并返回给调用者。

张量流中的conv1d和conv2d

2 个答案: