keras 一維序列 conv1d卷積的使用

keras中conv1d從**匯入？

from keras.layers import *

一般來說，輸入資料如果是7500x128列的二維表形式的話，需要加入乙個空間維度，如下

x = np.expand_dims(x, axis=2)

#表示是是增加的維度是在第三個維度上
# reshape (569, 30) to (569, 30, 1) now input can be set as input_shape=(30,1)
model.add(conv1d(2,
2,activation=
'relu'
,input_shape=(30,1)

舉例：

model = sequential(

)model.add(convolution1d(64,

3, border_mode=

'same'

, input_shape=(10

,32))

)#now model.output_shape == (none, 10, 64)

#add a new conv1d on top

model.add(convolution1d(32,

3, border_mode=

'same'))

#now model.output_shape == (none, 10, 32)

當把該層作為首層時，需要說明 input_shape，input_shape=(10, 32)簡而言之就是10個32維的向量了，nb_filter : 卷積核的數量，也是輸出的維度。filter_length : 每個過濾器的長度。

首先我們先看第乙個卷積層，輸出shape很容易理解，因為有64個卷積核，所以輸出也就是64，接下來我們看下引數：其實可以這麼理解，我們把例子中（10，32）的訊號進行1d卷積相當於對其進行卷積核為（filter_length, 32）的2d卷積。如下圖。

參考文獻

[1圖]

[2][3]

[4][5]

keras的Conv2DTranspose逆卷積

學gan，逆卷積過程中大小變化到底是怎麼變的？和步長有關係嗎？先看卷積時的情況 padding valid 輸入和輸出大小關係如下 輸出大小等於輸入大小減去濾波器 卷積核 大小加上1，最後再除以步長 f為濾波器的大小，s是步長大小 padding same 輸入和輸出大小關係如下 即輸出大小等於輸入...

Keras學習 1 使用keras建立序列模型

keras學習 1 使用keras建立序列模型 sequential model就是一些列layers的簡單堆疊。首先，我們建立乙個簡單的前向全連線網路。輸入維度784 from keras.models import sequential from keras.layers import dens...

keras 文字序列的相關api

1 word tokenizer tokenizer max word nums max word nums設定詞典的最大值，為乙個int型數值 2 word tokenizer.fit on texts question data words 解釋 fit on texts texts 使用一系列...