keras 层中传统的 1D 或 2D 有什么区别答案

【问题标题】：what is the difference between Conventional 1D or 2D in keras layerskeras 层中传统的 1D 或 2D 有什么区别
【发布时间】：2017-12-23 11:37:52
【问题描述】：

我正在发现keras 库，但我不知道keras layers 中的维度是什么意思以及如何选择它们？ (model.add(Convolution2D(...)) 或 model.add(Convolution1D(...)) )。

例如，我有一组 9000 个火车轨迹和 1000 个测试轨迹，每个轨迹有 1000 个样本，所以我创建了大小为 9000*1000 的数组 X_train，X_test 的大小为 1000*1000，Y_train 有大小为 9000，Y_test 的大小为 1000。

我的问题是如何选择第一层维度？

我尝试使用在 MNIST 中实现的相同示例：

model.add(Convolution2D(9000, (1, 1), activation='relu', input_shape(1,9000000,1),dim_ordering='th'))

但它不起作用，我什至不知道我应该在卷积函数的每个参数中放什么。

【问题讨论】：

它以什么方式“不起作用”？有什么错误吗？
执行model.add(Flatten())时出错，提示：Input 0 is incompatible with layer flatten_7: expected min_ndim=3, found ndim=2
@HajjiSofien 我会摆脱 Flatten() 层。这应该使您的模型保持在三个维度，因为 Flatten() 会将其展平为二维。（它可能会在与您的输入/输出形状相关的错误之后产生不同的错误，但应该解决当前的错误。）

【解决方案1】：

维度（1D、2D 等）的选择取决于您输入的维度。例如，由于您使用的是 MNIST 数据集，因此您将使用 2D 图层，因为您的输入是具有高度和宽度（二维）的图像。或者，如果您使用的是文本数据，您可能会使用一维图层，因为句子是单词的线性列表（一维）。

我建议查看 Francois Chollet 的 MNIST 卷积神经网络示例：https://github.com/fchollet/keras/blob/master/examples/mnist_cnn.py。（注：Conv2D 与 Convolution2D 相同。）

【讨论】：

好的，我明白了，但是你能告诉我在使用 MNIST 数据集时 Convolution2D 函数中每个参数的含义是什么吗？ model.add(Convolution2D(32, 3, 3, activation='relu', input_shape=(1,28,28))) 32和(1,1)代表什么？
@HajjiSofien 查看Keras docs for Conv2D。除非您明确指定参数（如 activation=.... 或 input_shape=....），否则参数是按顺序排列的。因此，第一个参数是过滤器的数量，而第二个是内核大小等。