我有形状为 (100, 100, 3) 的图像，我想使用 keras 1D convolution 对图像进行分类。 我想知道这是否可能，以及我需要使用的输入的形状是什么。
PS：我使用tf.data.Dataset，我的数据集是批处理的（20、100、100、3）。
【问题讨论】：
标签： python tensorflow keras conv-neural-network
TLDR; 不是单独的，但可能是组合的。
图像中像素之间的相关性（无论是 2D 还是 3D，由于多个通道）具有空间性质：给定像素的值受到垂直和水平相邻像素的高度影响。 2D/3D 卷积（Conv2D 或 Conv3D）的优势在于它们设法在两个空间方向（垂直和水平）上捕捉到这种影响。
相比之下，一维卷积或Conv1D 仅捕获两种相关性（垂直或水平）之一，因此产生的信息更加有限。就其本身而言，单个Conv1D 将遗漏大量信息。
尽管如此，由于 Conv2D 可以“分解”为两个 Conv1D 块（这类似于 MobileNet 架构中的 Pointwise 和 Depthwise 卷积），连接一个 Vertical Conv1D 和一个水平Conv1D 捕获两个轴上的空间相关性。这是对图像分类的有效方法，可替代Conv2D。
是的，我们可以。
您应该不重塑数据以减小尺寸：如果这样做，您会将图像的一端（如果垂直应用 Conv1D，则说顶部）与另一端（说底部），这打破了空间的连贯性。
这是一个关于如何（实现上述连接）的可能示例：
import tensorflow as tf
x = tf.random.normal(input_shape = (20, 100, 100, 3)) # your input batch
# Horizontal Conv1D
y_h = tf.keras.layers.Conv1D(
filters=32, kernel_size=3, activation='relu', input_shape=x.shape[2:])(x)
# Vertical Conv1D
y_v = tf.transpose(x, perm=[0, 2, 1, 3]) # Image rows to columns
y_v = tf.keras.layers.Conv1D(
filters=32, kernel_size=3, activation='relu', input_shape=x.shape[2:])(x)
# y_v = tf.transpose(y_v, perm=[0, 2, 1, 3]) # Undo transpose, optional
# Concatenate results
y = tf.keras.layers.Concatenate(axis=3)([y_h, y_v]) # Concatenate on the feature_maps
请注意，您需要多次操作才能获得结果（垂直和水平轴上的卷积），直接应用Conv2D 会更容易、更快捷地获得。
如果您的图像数据在一个轴上特别缺乏信息，而在另一个空间轴上却特别有趣，那么这可能是一个值得探索的想法。否则最好使用标准的Conv2D（大多数情况下，包括几乎所有公共图像数据集）。
【讨论】：
我假设您的意思是跨层卷积图像的 1x1 卷积。在您的情况下，图层代码将是：
tf.keras.layers.Conv2D(filters=NUM_FILTERS, kernel_size=1, strides=1)
正如@MatusDubrava 指出的那样，Conv1D 确实适用于一维数据处理（如声音）。
【讨论】：