Keras：在这种情况下，我应该使用 1D 还是 2D 卷积层？答案

【问题标题】：Keras: Should I use an 1D or a 2D convolutional layer in this case?Keras：在这种情况下，我应该使用 1D 还是 2D 卷积层？
【发布时间】：2023-03-04 11:04:02
【问题描述】：

假设我们有一个包含 N 个标记实例的数据集，每个实例是一个 2 X M 的二维矩阵。也就是说，每个实例有两行，其中每一行是一个大小为 M（M 列）的向量。

我想构建一个 NN，其第一层执行卷积操作，其内核具有两行一列。这个想法是将此内核应用于输入矩阵的每一列，为每一列生成一个值作为结果。这个想法将生成一个大小为 M 的向量作为输出，其中向量的每个位置 P 将由 P 列中的两行的卷积生成。下图说明了这个想法。

我不知道如何构建这个卷积层。在这种情况下，我需要 1D 还是 2D 卷积？

我想构建一个具有以下架构的神经网络：

输入为 2 X M，输出为 M 的卷积层。我会喜欢应用 k 个内核（产生 k 个大小为 M 的向量）
具有 500 个神经元和 relu 激活的密集层。
0.2 的辍学
具有 2 个神经元和 softmax 激活的密集层。

你能帮我建立这个架构吗？

【问题讨论】：

标签： tensorflow machine-learning keras neural-network conv-neural-network

【解决方案1】：

您想为此目的使用 2D CNN。一维 CNN 只需要 1 个空间维度，但您有 2 个空间维度，即使您没有任何“宽度”可以进行多次卷积。

2D CNN 需要 4D (batch, height, width, channels)。相应地，您的内核也将是 4D。

查看此代码了解更多详情 -

import tensorflow as tf

inp = np.array([[[[2.1],[0.8]],[[1.3],[2.4]],[[1.8],[1.3]]]])

kernel = np.array([[[[1.0]],[[2.0]]]])

print('input shape ->',inp.shape)
print('kernel shape ->',kernel.shape)

result = tf.nn.conv2d(x, kernel, strides=(1,1,1,1), padding='VALID')

print('result shape ->',result.shape)
print(result.numpy())

input shape -> (1, 3, 2, 1)
kernel shape -> (1, 2, 1, 1)
result shape -> (1, 3, 1, 1)

[[[[3.6999998]]

  [[6.1000004]]

  [[4.3999996]]]]

【讨论】：