Machine learning 在Tensorflow中4d张量是什么意思？

我需要沿着固定大小的文本行执行卷积。因此，本质上，培训示例的形式是：

1*N_特征

，其中

N_特征

等于3640（140个字符编码为一个热字符，因此40*26=3640）。我试图理解这个例子，确切地说：

def my_conv_model(X, y):
   X = tf.reshape(X, [-1, N_FEATURES, 1, 1])  # to form a 4d tensor of shape batch_size x n_features x 1 x 1
   features = skflow.ops.conv2d(X, N_FILTERS, [WINDOW_SIZE, 1], padding='VALID') # this will give you sliding window of WINDOW_SIZE x 1 convolution.
   pool = tf.squeeze(tf.reduce_max(features, 1), squeeze_dims=[1])
   return return skflow.models.logistic_regression(pool, y)

我不明白为什么在这方面：

 features = skflow.ops.conv2d(X, N_FILTERS, [WINDOW_SIZE, 1], padding='VALID') 

我们有：

[WINDOW\u SIZE，1]

而不是

[1，WINDOW\u SIZE]

？ 因为据我所知，卷积应按如下方式执行：

training example: '001010101000100101'
sliding window:   |---|
                   |---|
                    |---| 

---

依此类推，每个窗口的大小为[1，window_size]，因为其高度为1，宽度为3。但是为什么给出的例子说“

features=skflow.ops.conv2d（X，N\u过滤器，[WINDOW\u SIZE，1]，padding='VALID'

）”？

一个四维张量正是它所表示的：一个四维张量（下标，特征，…）

---

一维滑动窗口的符号是一种符号约定。为了方便起见，我们将有效维度放在第一位，并将1大小保留在最后。因此，一个3宽的切片（1-D窗口）作为一个3x1窗口给出。

一个4-D张量正是它所表示的：一个具有四个维度（下标、特征等）的张量

---

一维滑动窗口的符号是一种符号约定。为了方便起见，我们将有效维度放在第一位，并将1大小保留在最后。因此，一个3宽的切片（1-D窗口）作为一个3x1窗口给出。

我是否正确地认为一个3宽1高的“扩展”形式是[1,1,3,1]的形状？另外，您如何确定哪个维度是重要的？是的，[1,1,3,1]是我阅读API的方式。“重要”并不是一个真正的技术术语：它指的是我们感兴趣的任何信息。任何限制为1的维度都只是一个占位符。同样，彩色图像的“不重要”维度为3，即RGB分量。我是否正确地理解了“扩展”形式的3宽1高的形状[1,1,3,1]？另外，您如何确定哪个维度是重要的？是的，[1,1,3,1]是我阅读API的方式。“重要”并不是一个真正的技术术语：它指的是我们感兴趣的任何信息。任何限制为1的维度都只是一个占位符。同样，彩色图像的“不重要”维度为3，即RGB分量。