在看这两个函数之前，我们需要先了解一维卷积(conv1d)和二维卷积(conv2d)，二维卷积是将一个特征图在width和height两个方向进行滑动窗口操作，对应位置进行相乘求和；而一维卷积则只是在width或者height方向上进行滑动窗口并相乘求和。

一维卷积：tf.layers.conv1d()

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
)

参数：[1]

• inputs：张量数据输入，一般是[batch, width, length]
• filters：整数，输出空间的维度，可以理解为卷积核(滤波器)的个数

• kernel_size

  ：单个整数或元组/列表，指定1D(一维，一行或者一列)卷积窗口的长度。
• strides：单个整数或元组/列表，指定卷积的步长，默认为1
• padding："SAME" or "VALID" (不区分大小写)是否用0填充， [li] SAME用0填充；
• VALID不使用0填充，舍去不匹配的多余项。

返回值：

　　一维卷积后的张量

例子

import tensorflow as tf

x = tf.get_variable(name="x", shape=[32, 512, 1024], initializer=tf.zeros_initializer)
x = tf.layers.conv1d(
x,
filters=1,                    # 输出的第三个通道是1
kernel_size=512,            # 不用管它是多大，都不影响输出的shape
strides=1,
padding='same',
data_format='channels_last',
dilation_rate=1,
use_bias=True,
bias_initializer=tf.zeros_initializer())

print(x)            # Tensor("conv1d/BiasAdd:0", shape=(32, 512, 1), dtype=float32)

解析：

1. 输入数据的维度为[batch, data_length, data_width]=[32, 512, 1024]，一般输入数据input第一维为batch_size，此处为32，意味着有32个样本，第二维度和第三维度分别表示输入的长和宽（512，1024）
2. 一维卷积核是二维的，也有长和宽，长为卷积核的数量kernel_size=512，因为卷积核的数量只有一个，所以宽为输入数据的宽度data_width=1024，所以一维卷积核的shape为[512,1024]
3. filteres是卷积核的个数，即输出数据的第三维度。filteres=1，第三维度为1
4. 所以卷积后的输出数据大小为[32, 512, 1]

二维卷积：tf.layers.conv2d()

tf.layers.conv2d(
inputs,
filters,
kernel_size,
strides=(1, 1),
padding='valid',
data_format='channels_last',
dilation_rate=(1, 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
)

参数：[4]

• inputs

  ：张量输入。一般是[batch, width, length]

• filters

  ：整数，输出空间的维度，可以理解为卷积核(滤波器)的个数

• kernel_size

  ：2个整数或元组/列表，指定2D卷积窗口的高度和宽度。可以是单个整数，以指定所有空间维度的相同值。

• strides

  ：2个整数或元组/列表，指定卷积沿高度和宽度方向的步幅。可以是单个整数，以指定所有空间维度的相同值。
• padding："SAME" or "VALID" (不区分大小写)是否用0填充， [li] SAME用0填充；
• VALID不使用0填充，舍去不匹配的多余项。

data_format

channels_last"

channels_first"

activation

use_bias

kernel_initializer

bias_initializer

kernel_regularizer

bias_regularizer

activity_regularizer

trainable

True，

name

reuse

返回：

　　二维卷积后的张量

例子：

import tensorflow as tf

x = tf.get_variable(name="x", shape=[1, 3, 3, 5], initializer=tf.zeros_initializer)
x = tf.layers.conv2d(
x,
filters=1,                    # 结果的第三个通道是1
kernel_size=[1, 1],            # 不用管它是多大，都不影响输出的shape
strides=[1, 1],
padding='same',
data_format='channels_last',
use_bias=True,
bias_initializer=tf.zeros_initializer())

print(x)            # shape=(1, 3, 3, 1)

解析：

1. input输入是1张 3*3 大小的图片，图像通道数是5，输入shape=(batch, data_length， data_width， data_channel）
2. kernel_size卷积核shape是 1*1，数量filters是1strides步长是[1,1]，第一维和第二维分别为长度方向和宽度方向的步长 = 1。
3. 最后输出的shape为[1,3,3,1] 的张量，即得到一个3*3的feature map（batch，长，宽，输出通道数）
4. 长和宽只和strides有关，最后一个维度 = filters。

卷积层中的输出大小计算

　　设输入图片大小W，Filter大小F，步长为S，padding为P，输出图片的大小为N：

$$N=\frac{W-F+2P}{S}+1$$

　　向下取整后再加1。

在Tensoflow中，Padding有2个选型，'SAME'和'VALID' ，下面举例说明差别：

如果 Padding='SAME'，输出尺寸为： W / S（向上取整）

import tensorflow as tf

input_image = tf.get_variable(shape=[64, 32, 32, 3], dtype=tf.float32, name="input", initializer=tf.zeros_initializer)
conv0 = tf.layers.conv2d(input_image, 64, kernel_size=[3, 3], strides=[2, 2], padding='same')  # 32/2=16
conv1 = tf.layers.conv2d(input_image, 64, kernel_size=[5, 5], strides=[2, 2], padding='same')
# kernel_szie不影响输出尺寸
print(conv0)      # shape=(64, 16, 16, 64)
print(conv1)      # shape=(64, 16, 16, 64)

如果 Padding='VALID'，输出尺寸为：(W - F + 1) / S

import tensorflow as tf

input_image = tf.get_variable(shape=[64, 32, 32, 3], dtype=tf.float32, name="input", initializer=tf.zeros_initializer)
conv0 = tf.layers.conv2d(input_image, 64, kernel_size=[3, 3], strides=[2, 2], padding='valid')  # (32-3+1)/2=15
conv1 = tf.layers.conv2d(input_image, 64, kernel_size=[5, 5], strides=[2, 2], padding='valid')  # (32-5+1)/2=14
print(conv0)      # shape=(64, 15, 15, 64)
print(conv1)      # shape=(64, 14, 14, 64)

参考文献：

[1] tensorflow官方API tf.layers.conv1d

[2] tf.layers.conv1d函数解析（一维卷积）

[3] tf.layer.conv1d、conv2d、conv3d

[4] tensorflow官方API tf.layers.conv2d