Keras 中 Conv1D 层的 output 的大小

Question

我试图了解一维卷积层的 output 应用于多个批次（在本例中为 3 个）二维输入形状（6x6）。

下面代码的 output 是(4, 10, 32) 。 对于前 2 个指数，这个答案非常简单。

• (4) 我们插入 N 个例子，我们取出 N 个例子。
• (8) 在做 (10, 128) * (3, 1) 之间的卷积时，因为默认填充设置为“有效”，我们输入空间中的两个值不会映射到我们的最终结果，这就是为什么我们得到 8 个。
• 我不明白为什么图层输出 32 作为最终索引。 filters参数在 Conv1D 层中的实际作用是什么？ 对我来说，该层如何操作最终的 output 对我来说并不是很直观，如下面的短语所述。

根据文档，这应该是 output 形状

Output 形状：3+D 张量，形状：batch_shape + (new_steps, filters) 由于填充或步幅，步骤值可能已更改。

input_shape = (4, 10, 128)
x = tf.random.normal(input_shape)
y = tf.keras.layers.Conv1D(
    32, 3, input_shape=input_shape[1:])(x)
print(y.shape) # (4, 10, 32)

Answer 1

你的前两个陈述是正确的。 过滤器可以看作是对序列执行卷积的次数。

在下图中，您可以看到执行的操作。 左边的 object 代表您的输入，中间的 kernel（大小为 (3,1)），右边的 output。

• 在您的情况下，如果您的过滤器数量等于 1 ，您将生成128个大小为 3的内核来浏览您的系列。
• 对于每个kernel，它处理卷积运算：将 kernel 值与系列值相乘，并将 3 个乘积相加。
• 然后将128个结果相加。
• 如果您将过滤器的数量设置为 32 ，则您将执行整个操作 32 次。
• 因此，Conv1D（无偏差）的参数数量为：kernel_size * input_depth * number_filters = 3 * 128 * 32 = 12,288。
• 使用偏差，您将过滤器的数量添加到之前的结果中 (12,288 + 32 = 12320)。

因此，过滤器的数量是处理此操作的次数。 然后将输出堆叠起来，并在下一个卷积层重复该过程。

不幸的是，我没有找到任何可以很好地理解 conv1D 的表示。 这个，对于 Conv2D，解释了与 Conv1D 相同的过程。 （inuth_depth = 3 和 number_filters = output_depth = 2）