Keras中Conv1D的使用及說明

2022-12-17 14:00:34

Conv1D

keras.layers.Conv1D(filters, kernel_size, strides=1, padding='valid', data_format='channels_last', dilation_rate=1, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

1D 折積層 (例如時序折積)。

該層建立了一個折積核，該折積核以單個空間（或時間）維上的層輸入進行折積，以生成輸出張量。如果 use_bias 為 True，則會建立一個偏置向量並將其新增到輸出中。最後，如果 activation 不是 None，它也會應用於輸出。

當使用該層作為模型第一層時，需要提供 input_shape 引數（整數元組或 None），例如， (10, 128) 表示 10 個 128 維的向量組成的向量序列， (None, 128) 表示 128 維的向量組成的變長序列。

引數

filters: 整數，輸出空間的維度（即折積中濾波器的輸出數量）。
kernel_size: 一個整數，或者單個整數表示的元組或列表，指明 1D 折積視窗的長度。
strides: 一個整數，或者單個整數表示的元組或列表，指明折積的步長。指定任何 stride 值 != 1 與指定 dilation_rate 值 != 1 兩者不相容。
padding: “valid”, “causal” 或 “same” 之一 (大小寫敏感) “valid” 表示「不填充」。 “same” 表示填充輸入以使輸出具有與原始輸入相同的長度。 “causal” 表示因果（膨脹）折積，例如，output[t] 不依賴於 input[t+1:]，在模型不應違反時間順序的時間資料建模時非常有用。
data_format: 字串, “channels_last” (預設) 或 “channels_first” 之一。輸入的各個維度順序。 “channels_last” 對應輸入尺寸為 (batch, steps, channels) (Keras 中時序資料的預設格式) 而 “channels_first” 對應輸入尺寸為 (batch, channels, steps)。
dilation_rate: 一個整數，或者單個整數表示的元組或列表，指定用於膨脹折積的膨脹率。當前，指定任何 dilation_rate 值 != 1 與指定 stride 值 != 1 兩者不相容。
activation: 要使用的啟用函數。如未指定，則不使用啟用函數 (即線性啟用： a(x) = x)。
use_bias: 布林值，該層是否使用偏置向量。
kernel_initializer: kernel 權值矩陣的初始化器。
bias_initializer: 偏置向量的初始化器。
kernel_regularizer: 運用到 kernel 權值矩陣的正則化函數。
bias_regularizer: 運用到偏置向量的正則化函數。
activity_regularizer: 運用到層輸出（它的啟用值）的正則化函數。
kernel_constraint: 運用到 kernel 權值矩陣的約束函數。
bias_constraint: 運用到偏置向量的約束函數。

輸入尺寸

3D 張量，尺寸為 (batch_size, steps, input_dim)

輸出尺寸

3D 張量，尺寸為 (batch_size, new_steps, filters)。由於填充或視窗按步長滑動，steps 值可能已更改

輸入輸出尺寸的理解

一般在2D折積中，輸入尺寸很直觀，為 (samples, rows, cols, channels)，即為樣本數，行數、列數和通道數四維資訊，但是若以此推斷，在Conv1D總兩維資訊就足夠，中間卻夾雜了一個steps,那這個steps如何去理解呢？

理解steps引數，我們應該跳出影象的思維，1D折積通常施用在時序資料中，在時序資料的輸入中:

batch_size: 輸入的樣本數
steps: 時間維度，個人認為可以理解成量化後的時間長度，也就是多少個時刻
input_dim: 每個時刻的特徵數量

keras Conv1D 一維折積的輸入維度

報錯情況

expected conv1d_1_input to have 3 dimensions, but got array with shape (1, 56）

問題原因

維數不匹配

解決方法

陣列的維數是（1,56），但神經網路維數與陣列維數相反，應該使用（56,1）或（None,1）

同時神經網路的輸入資料應改成三維，即reshape為（1,56,1）

總結

以上為個人經驗，希望能給大家一個參考，也希望大家多多支援it145.com。