python - 使用 keras 在 2D 数据上输出 1D 卷积的形状

Question

我正在尝试使用 keras 对时间序列分类问题实现一维卷积。我在解释一维卷积层的输出大小时遇到​​了一些麻烦。

我的数据由 128 个单位的时间间隔内的不同特征的时间序列组成，并应用一维卷积层：

x = Input((n_timesteps, n_features))
cnn1_1 = Conv1D(filters = 100, kernel_size= 10, activation='relu')(x)

编译后我得到以下输出形状：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_26 (InputLayer)        (None, 128, 9)            0         
_________________________________________________________________
conv1d_28 (Conv1D)           (None, 119, 100)          9100     

我假设使用一维卷积，数据仅在时间轴（轴 1）上进行卷积，我的输出大小为：119、100*9。但我猜想网络正在跨特征维度（轴 2）执行一些操作王，我不知道正在执行哪个操作。我之所以这么说是因为我将其解释为 1d 卷积是必须保留特征形状，因为我只对时域进行卷积：如果我有 9 个特征，那么对于每个过滤器我有 9 个卷积核，每个都应用于不同的特征并在时间轴上复杂。这应该为每个过滤器返回 9 个卷积特征，从而产生 119、9*100 的输出形状。但是输出形状为 119、100。

显然，正在发生其他事情，我无法理解或理解它。

我在哪里失败了我的推理？一维卷积是如何进行的？

我再添加一条评论，这是我对提供的答案之一的评论：

我理解从 128 到 119 的减少，但我不明白的是为什么特征维度会发生变化。例如，如果我使用

Conv1D(filters = 1, kernel_size= 10, activation='relu')

，那么输出维度将是 (None, 119, 1)，卷积后只产生一个特征。这个维度是怎么回事，从 9 --> 1 执行哪个操作？

标签： pythonkerasdeep-learningconv-neural-network

Answer 1

Conv1D的输入需要 3D 张量，形状为 ( batch_size,time_step,feature)。根据您的代码，过滤器大小为 100，这意味着过滤器从 9 维转换为 100 维。这是怎么发生的？点积。

在上面，X_i是k单词的连接（k= kernel_size），l是过滤器的数量（l=filters），d是输入单词向量的维度，p_i是每个单词窗口的输出向量k。

你的代码会发生什么？

[n_features * 9]点[n_features * 9]=> [1]=> 重复l-times=>[1 * 100]

对所有序列执行上述操作 =>[128 * 100]

这里发生的另一件事是您没有指定padding类型。根据文档，默认情况下 Conv1d 使用有效填充，这导致您的维度从 128 减少到 119。如果您需要维度与输入相同，您可以选择相同的选项：

Conv1D(filters = 100, kernel_size= 10, activation='relu', padding='same')