2D 输入上的 Conv1D答案

【问题标题】：Conv1D on 2D input2D 输入上的 Conv1D
【发布时间】：2017-08-22 19:32:14
【问题描述】：

有人可以向我解释当 keras Conv1D 层被输入 2D 输入时会发生什么吗？如：

model=Sequential()
model.add(Conv1D(input_shape=(9000,2),kernel_size=200,strides=1,filters=20))

在 (9000,1) 和 (9000,2) 之间改变输入大小并调用 model.summary()，我看到输出形状保持不变，但参数数量发生了变化。那么，这是否意味着为每个通道训练不同的过滤器，但输出在输出之前在第二维上求和/平均？还是什么？

【问题讨论】：

标签： keras keras-layer

【解决方案1】：

这是一个视觉插图

kernel_size = (2, )

------------- 
| 1 1 1 1 1 |                <---- kernel dim = kernel_size X 5
| 2 2 2 2 2 |
-------------
  3 3 3 3 3 



--------------------------
| 1 1 1 1 1 1 1 1 1 1 1 1 |  <---- kernel dim = kernel_length X 12
| 2 2 2 2 2 2 2 2 2 2 2 2 |        i.e more params! but after 
--------------------------         you apply say MaxPool1D(pool_size=(2,2))
  3 3 3 3 3 3 3 3 3 3 3 3          in both cases, then layer shapes from here
                                   on out are the same, thus same outputs!

【讨论】：

您是否正确理解“时间轴”在您的可视化中指向下方？

【解决方案2】：

In the doc 你可以读到输入必须是二维的。

Conv1D 可以看作是一个遍历一系列向量的时间窗口。内核将 2 维窗口，与向量长度一样大（即输入的第 2 维），并且与您的窗口大小一样长...

所以确实，您的两个网络具有相同的输出形状是完全正常的......并且参数的数量更高，因为由于第二维，内核是 2 倍大。

我希望这会有所帮助:-)

【讨论】：

那么，我们应该认为“一维”不是指过滤器形状，而是过滤器“运动”？
是的，确实是卷积的维度，而不是滤波器的大小