1.背景
如图，最左边部分是一个句子构成的2维矩阵（可以理解为通道为1的图片），其形状为shape=[7,5,1]。图中：
第一步：先用3个卷积核进行了卷积操作，即卷积核的形状分别为shape1=[4,5,1,2],shape2=[3,4,1,2],shape3=[2,4,1,2];卷积后的形状分别为[4,1,2],[5,1,2],[6,1,2]；
第二步：采用max pool进行池化操作，池化后的形状均为[1,1,2]；
第三步：将这6个部分叠加起来，然后进行全连接处理；
看着这个图理解一般都没有问题，唯一的问题可能就是出现在编码的时候。而且只要这个问题清楚了，对应这一类简单的拼接就应该会了。
2.理论计算
假设现在有两张图片(形状为[6,3,1])，分别用一个向量保存着（这也是实际数据中最常见的形式）,所以首先要做的就是reshape。
a = tf.constant([[1,2,3,4,5,6,7,8,9,10,11,12,17,18,19,20,21,22],
[4,5,6,4,3,5,8,9,0,6,4,3,1,3,5,7,4,3]],shape=[2,18],dtype=tf.float32,name='a')理论上的形状：
# 1 2 3 4 5 6
# 4 5 6 4 3 5
# 7 8 9 8 9 0
# 10 11 12 6 4 3
# 17 18 19 1 3 5
# 20 21 22 7 4 32.1 convolution
为了方便后面验证，我们令所有卷积核和偏置的参数均为1，3种尺寸分别为[2,3,1,2],[3,3,1,2],[4,3,1,2]则：
对于第一张图采用这3种形状的核，卷积后处理后的结果分别为：
22 22 46 46 79 79
40 40 73 73 127 127
58 58 112 112 175 175
88 88 151 151
118 118
#shape [5,1,1,2] [4,1,1,2] [3,1,1,2]对于第二张图采用这3种形状的核，卷积后处理后的结果分别为：
28 28 45 45 58 58
30 30 43 43 52 52
31 31 40 40 54 54
23 23 37 37
24 24
#shape [5,1,1,2] [4,1,1,2] [3,1,1,2]2.2 max pool
对于第一张图采用max pool 处理后的结果为：
118 118 151 151 175 175
#shape [1,1,1,2] [1,1,1,2] [1,1,1,2]对于第二张图采用max pool 处理后的结果为：
31 31 45 45 58 58
#shape [1,1,1,2] [1,1,1,2] [1,1,1,2] 2.3 concat and reshape
[[ 118. 118. 151. 151. 175. 175.]
[ 31. 31. 45. 45. 58. 58.]]
3.tensorflow实现
3.1 reshape
a = tf.constant([[1,2,3,4,5,6,7,8,9,10,11,12,17,18,19,20,21,22],
[4,5,6,4,3,5,8,9,0,6,4,3,1,3,5,7,4,3]],shape=[2,18],dtype=tf.float32,name='a')
reshaped_a = tf.reshape(a,shape=[2,6,3,1])这里每张图为18维，shape=[2,6,3,1]指的是2张图，每张图的大小是[6,3]，通道为1.
输出后是这种形式：
[[[[ 1.]
[ 2.]
[ 3.]]
[[ 4.]
[ 5.]
[ 6.]]
[[ 7.]
[ 8.]
[ 9.]]
[[ 10.]
[ 11.]
[ 12.]]
[[ 17.]
[ 18.]
[ 19.]]
[[ 20.]
[ 21.]
[ 22.]]]
[[[ 4.]
[ 5.]
[ 6.]]
[[ 4.]
[ 3.]
[ 5.]]
[[ 8.]
[ 9.]
[ 0.]]
[[ 6.]
[ 4.]
[ 3.]]
[[ 1.]
[ 3.]
[ 5.]]
[[ 7.]
[ 4.]
[ 3.]]]]
Tensor("Reshape:0", shape=(2, 6, 3, 1), dtype=float32)这种形式看起来确实不怎么好理解，不过可以通过程序的结果输出来验证其正确性。
3.2 convolution and max pool
a = tf.constant([[1,2,3,4,5,6,7,8,9,10,11,12,17,18,19,20,21,22],
[4,5,6,4,3,5,8,9,0,6,4,3,1,3,5,7,4,3]],shape=[2,18],dtype=tf.float32,name='a')
reshaped_a = tf.reshape(a,shape=[2,6,3,1])
filter_size = [2,3,4]
c = []
pool = []
for filters in filter_size:
with tf.name_scope("conv-maxpool-%s" % filters):
filter_shape = [filters,3,1,2]
W = tf.constant(1.0,shape=filter_shape)
b = tf.constant(1.0,shape=[2])
conv = tf.nn.conv2d(input = reshaped_a,filter=W,strides=[1,1,1,1],padding='VALID')
convs=tf.nn.bias_add(conv,b)
c.append(convs)
pooled = tf.nn.max_pool(value=convs,ksize=[1,6-filters+1,1,1],strides=[1,1,1,1],padding='VALID')
pool.append(pooled)
h_pool = tf.concat(values=pool,name='last_pool_layer',axis=3)
h_pool_flat = tf.reshape(tensor=h_pool,shape=[-1,6])
with tf.Session() as sess:
print(sess.run(c))
print(sess.run(pool))为了方便观察，我们用了两个List来分别保存卷积和池化后的结果。
#卷积后的结果
#-------------------------------------part 1
[array([[[[ 22., 22.]],
[[ 40., 40.]],
[[ 58., 58.]],
[[ 88., 88.]],
[[ 118., 118.]]],
[[[ 28., 28.]],
[[ 30., 30.]],
[[ 31., 31.]],
[[ 23., 23.]],
[[ 24., 24.]]]], dtype=float32),
#-------------------------------------part 2
array([[[[ 46., 46.]],
[[ 73., 73.]],
[[ 112., 112.]],
[[ 151., 151.]]],
[[[ 45., 45.]],
[[ 43., 43.]],
[[ 40., 40.]],
[[ 37., 37.]]]], dtype=float32),
#-------------------------------------part 3
array([[[[ 79., 79.]],
[[ 127., 127.]],
[[ 175., 175.]]],
[[[ 58., 58.]],
[[ 52., 52.]],
[[ 54., 54.]]]], dtype=float32)]
可以发现，卷积后三个部分的结果与上面的理论结果一样
#池化后的结果
[array([[[[ 118., 118.]]],[[[ 31., 31.]]]], dtype=float32), array([[[[ 151., 151.]]],[[[ 45., 45.]]]], dtype=float32), array([[[[ 175., 175.]]],[[[ 58., 58.]]]], dtype=float32)]
对应如下：
h_pool = tf.concat(values=pool,name='last_pool_layer',axis=3)
#[[[[ 118. 118. 151. 151. 175. 175.]]]
# [[[ 31. 31. 45. 45. 58. 58.]]]]如下：
h_pool_flat = tf.reshape(tensor=h_pool,shape=[-1,6])
#[[ 118. 118. 151. 151. 175. 175.]
# [ 31. 31. 45. 45. 58. 58.]]