在用tensorflow做一维的卷积神经网络的时候会遇到tf.nn.conv1d和layers.conv1d这两个函数，但是这两个函数有什么区别呢，通过计算得到一些规律。
1.关于tf.nn.conv1d的解释，以下是Tensor Flow中关于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] \(where out_width is a function of the stride and padding as in conv2d\) 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. 什么意思呢？就是说conv1d的参数含义：(以NHWC格式为例，即，通道维在最后)
1、value：在注释中，value的格式为：[batch, in_width, in_channels]，batch为样本维，表示多少个样本，in_width为宽度维，表示样本的宽度，in_channels维通道维，表示样本有多少个通道。 事实上，也可以把格式看作如下:[batch, 行数, 列数]，把每一个样本看作一个平铺开的二维数组。这样的话可以方便理解。
2、filters：在注释中，filters的格式为：[filter_width, in_channels, out_channels]。按照value的第二种看法，filter_width可以看作每次与value进行卷积的行数，in_channels表示value一共有多少列（与value中的in_channels相对应）。out_channels表示输出通道，可以理解为一共有多少个卷积核，即卷积核的数目。
3、stride：一个整数，表示步长，每次（向下）移动的距离（TensorFlow中解释是向右移动的距离，这里可以看作向下移动的距离）。
4、padding：同conv2d，value是否需要在下方填补0。
5、name：名称。可省略。 首先从参数列表可以看出value指的输入的数据，stride就是卷积的步长，这里我们最有疑问的就是filters这个参数，那么我们对filter进行简单的说明。从上面可以看到filters的格式为：[filter_width, in_channels, out_channels],这是一个数组的维度，对应的是卷积核的大小，输入的channel的格式，和卷积核的个数，下面我们用例子说明问题：
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)其输出为：[[[ 5.], [ 8.], [11.], [14.]]] 我们分析一下，输入的数据为[[[1],[2],[3],[4],[5]]],有5个特征，分别对应的数值为1，2，3，4，5，那么经过卷积的结果为5，8，11，14，那么这个结果是怎么来的呢，我们根据卷积的计算，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，正好和我们先面filters设置的数值相等，
w = np.array([1, 2], dtype=np.float32).reshape([2, 1, 1])所以可以看到这个filtes设置的是是卷积核矩阵的，换句话说，卷积核矩阵我们是可以设置的。
2. 1.关于tf.layers.conv1d,函数的定义如下
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 ) 比较重要的几个参数是inputs, filters, kernel_size，下面分别说明 inputs : 输入tensor， 维度(None, a, b) 是一个三维的tensor None ： 一般是填充样本的个数，batch_size a ： 句子中的词数或者字数 b : 字或者词的向量维度 filters : 过滤器的个数 kernel_size : 卷积核的大小，卷积核其实应该是一个二维的，这里只需要指定一维，是因为卷积核的第二维与输入的词向量维度是一致的，因为对于句子而言，卷积的移动方向只能是沿着词的方向，即只能在列维度移动。一个例子：
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)输出结果：[[[-1.9953331] [-3.5520997] [-5.108866 ] [-6.6656327]]]
也许你得到的结果和我得到的结果不同，因为在这个函数里面只是设置了卷积核的尺寸和步长，没有设置具体的卷积核矩阵，所以这个卷积核矩阵是随机生成的，就会出现可能运行上面的程序出现不同结果的情况。
引用：
https://blog.csdn.net/u011734144/article/details/84066928
https://blog.csdn.net/DaVinciL/article/details/81359245
