tensorflow - 为什么TensorFlow在调用1D卷积时要计算2D卷积？

问题描述

在 tf.nn.conv1d 的文档中，指出

在内部，此操作会重塑输入张量并调用 tf.nn.conv2d。例如，如果data_format不以“NC”开头，则将形状为[batch, in_width, in_channels]的张量reshape为[batch, 1, in_width, in_channels]，并且filter被reshape为[1, filter_width, in_channels, out_channels]。然后将结果重新整形回 [batch, out_width, out_channels]（其中 out_width 是步幅和填充的函数，如 conv2d 中一样）并返回给调用者。

我知道这些操作是等效的，但我对这个实现细节的含义有点困惑。

重塑是否会产生一些计算开销？3D 卷积有它自己的实现，那么为什么不是 1D 卷积呢？

感谢任何解释，帮助我和其他人理解 TensorFlow 的这个实现细节！

标签： tensorflowconv-neural-networkconvolution

通过挖掘源代码，我得出结论，它可能是为了方便和实现的极简主义而完成的——细节如下。

首先，没有“重塑”，只有扩展、挤压和重新排序 dims，这会产生很小的开销；实际上没有数组元素在内存中移动 - 只有张量对象的索引说明符被更改。

其次， allconv最终路由到tf.nn_ops.convolution_internal，然后路由到gen_nn_ops.conv2dor gen_nn_ops.conv3d；aconv1d中不存在gen_nn_ops.py。请注意，由于某种原因，您不会在 Git 存储库中找到该文件 - 但它应该在您的本地安装中，/python/ops/gen_nn_ops.py.

最后，要真正回答为什么没有专门的conv1d实现，您需要询问卷积算法背后的 cuDNN 开发人员gen_nn_ops.py；他们可能没有发现性能改进，而且conv2d效果也一样快。从低级别的角度来看，这是有道理的，因为沿输入滑动带有N x 1元素的内核时的矩阵乘法的数量与沿输入M x 1的相同- 同样，唯一的区别在于索引。NM

不幸的是，开发人员决定封装最终调用，即_pywrap_tensorflow_internal.TFE_Py_FastPathExecute; 该模块由一个文件.lib和一个.pyd文件组成 - 基本上，编译的 C (Cython) 代码需要反汇编以进行自省。

TL；DR（1）“重塑”的开销很小；conv1d(2)每个备用冗余都可能缺乏专门的实现conv2d，速度也一样快；(3) 我不是 cuDNN 专家，所以如果您需要确定，最好在cuDNN询问，或阅读他们的SDK 文档。或者，TF Github的开发人员可能会有所帮助。多年来，我还没有看到 cuDNN 开发人员对 SO 的回答，所以在这里发帖可能不是最好的选择。

昏暗的重新排序性能演示：

import numpy as np
from time import time

x = np.random.randn(700, 800, 900) # 504,000,000 elements

t0 = time()
for i in range(1000):
    if i % 2 == 0:
        x = x.reshape(700, 900, 800)
    else:
        x = x.reshape(700, 800, 900)
print(time() - t0)

0.0009968280792236328

tensorflow - 为什么TensorFlow在调用1D卷积时要计算2D卷积？

问题描述

解决方案

推荐阅读