1.0  Convolution1D: 

一维卷积层

nb_filter: 卷积核的个数

filter_length: 每个卷积核的长度

init: 权重初始化函数名称

weights: 权重初始化

border_mode: 'valid', 'same' or 'full' 如果是‘valid ’ 进行有效的卷积，对边界数据不处理，‘same'表示保留边界处的卷积结果’

subsample_length: 子样的长度

W_regularizer: 权重上的正则化

b_regularizer:  偏置项上的正则化

activity_regularizer: 输出上的正则化

W_constraint: 权重上的约束项

b_constraint: 偏置上的约束项

bias: 偏置项

input_dim: 输入的维度

input_length:  输入的长度

见 https://www.jianshu.com/p/ca41dbd91de6

2.0  Convolution1D: 

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：

inputs = tf.placeholder('float', shape=[None, 6, 8])

out = tf.layers.conv1d(inputs, 5, 3)

说明： 对于一个样本而言，句子长度为6个字，字向量的维度为8

filters=5, kernel_size=3， 所以卷积核的维度为3*8

那么输入6*8经过3*8的卷积核卷积后得到的是4*1的一个向量(4=6-3+1)

又因为有5个过滤器，所以是得到5个4*1的向量

=================================================================================

就是卷积核好像是适配的，然后就这个是8维的它只能在维上面运动，所以

另外有个input_shape=(step, dim维）   ctrl里面没有

更改： （始终搜不到那个二次抽样。、。。。）

model.add(Convolution1D(input_shape=(107,4),# 希望是107长 4 维的 input_dim=4, input_length=107,# TODO 这里省略了个  subsample_length=1,kernel_size=7,# filter_length=7,filters=nbfilter,padding='valid', # border_mode="valid",activation="relu"))'''model.add(Convolution1D(input_dim=4, input_length=107,nb_filter=nbfilter,filter_length=7,border_mode="valid",activation="relu",subsample_length=1))'''

=================================================================================

比较重要的几个参数是inputs, filters, kernel_size，下面分别说明
inputs： 这个参数一般是经过词向量大矩阵embedding得到，如下
inputs = tf.nn.embedding_lookup(embedding, self.input_x)
其维度是：(batch_size, max_seqlength, embedding_dim) ,第三个维度是词向量矩阵维度
filters : 过滤器的个数，和conv2d差不多
kernel_size : 卷积核的大小，卷积核其实应该是一个二维的，维度是（3，embeding_dim），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，(个人理解：如果第二个维度不是和embendding_dim一样，那么一句话顺序将会被打乱)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

说明： 对于batch_size个样本而言，句子长度为6个字，字向量的维度为8
filters=5, kernel_size=3， 所以卷积核的维度为38
那么输入68经过38的卷积核卷积后得到的是41的一个向量(4=6-3+1)
又因为有5个过滤器，则结果应该是横向拼接，维度是 4x5
最终的维度是 [batch_size, 4, 5]
画图如下：（自己想的话大概是横着的。。 ）