输入形状和Keras中的Conv1d

Question

我的神经网络的第一层是这样的：

model.add(Conv1D(filters=40,
                 kernel_size=25,
                 input_shape=x_train.shape[1:],
                 activation='relu',
                 kernel_regularizer=regularizers.l2(5e-6),
                 strides=1))

如果我的输入形状是(600,10)

我得到(None, 576, 40)作为输出形状

如果我的输入形状是(6000,1)

我得到(None, 5976, 40)作为输出形状

所以我的问题是这里到底发生了什么？ 是第一个简单地忽略90％输入的例子？

Answer 1

它不是“忽略”90％的输入，问题很简单，如果你在大小为X的输入上使用大小为K的内核执行一维卷积，卷积的结果将具有X - K +的大小1.如果希望输出具有与输入相同的大小，则需要扩展或“填充”数据。 有几种策略，例如添加零，在末尾复制值或环绕。 Keras的Convolution1D有一个padding参数，可以设置为"valid" （默认，无填充）， "same" （在输入的两侧添加零以获得与输入相同的输出大小）和"causal" （仅在一端用零填充，从WaveNet获取的想法 ）。

更新

关于您评论中的问题。 所以你说你的输入是(600, 10) 。 我认为，这是一个例子的大小，你有一批大小(N, 600, 10)的例子。 从卷积运算的角度来看，这意味着你有N例子，每个例子的长度最多为600 （这个“长度”可能是时间或其他任何东西，它只是卷积工作的维度）和在这600个点中，每个都有10向量。 这些矢量中的每一个被认为是具有10特征（例如价格，高度，大小等）的原子样本，或者，如在卷积的上下文中有时称为“通道”（来自2D图像卷积中使用的RGB通道）。

关键是，卷积具有内核大小和多个输出通道，这是Keras中的filters参数。 在您的示例中，卷积所做的是采用每个可能的25个连续10矢量切片，并为每个矢量生成一个40矢量（当然，对于批处理中的每个示例）。 因此，您将输入中的10个要素或通道转换为卷积后的40个要素或通道。 并不是它只使用最后一个维度中的10个元素中的一个，而是使用它们来生成输出。

如果输入中维度的含义不是卷积解释的含义，或者它正在执行的操作不是您期望的操作，则可能需要重新整形输入或使用不同类型的图层。