keras.layers.Conv1D kernel_size参数 关于keras.layers.Conv1D的kernel_size参数使用介绍

今天在用keras添加卷积层的时候，发现了kernel_size这个参数不知怎么理解，keras中文文档是这样描述的：

kernel_size: 一个整数，或者单个整数表示的元组或列表， 指明 1D 卷积窗口的长度。

又经过多方查找，大体理解如下：

因为是添加一维卷积层Conv1D()，一维卷积一般会处理时序数据，所以，卷积核的宽度为1，而kernel_size就是卷积核的长度了，这样的意思就是这个卷积核是一个长方形的卷积核。

补充知识：tf.layers.conv1d函数解析（一维卷积）

一维卷积一般用于处理文本，所以输入一般是一段长文本，就是词的列表

函数定义如下：

tf.layers.conv1d(
inputs,
filters,
kernel_size,
strides=1,
padding='valid',
data_format='channels_last',
dilation_rate=1,
activation=None,
use_bias=True,
kernel_initializer=None,
bias_initializer=tf.zeros_initializer(),
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None,
trainable=True,
name=None,
reuse=None
)

比较重要的几个参数是inputs, filters, kernel_size，下面分别说明

inputs : 输入tensor， 维度(None, a, b) 是一个三维的tensor

None ： 一般是填充样本的个数，batch_size

a ： 句子中的词数或者字数

b ：字或者词的向量维度

filters : 过滤器的个数

kernel_size : 卷积核的大小，卷积核其实应该是一个二维的，这里只需要指定一维，是因为卷积核的第二维与输入的词向量维度是一致的，因为对于句子而言，卷积的移动方向只能是沿着词的方向，即只能在列维度移动

一个例子：

inputs = tf.placeholder('float', shape=[None, 6, 8])
out = tf.layers.conv1d(inputs, 5, 3)

说明： 对于一个样本而言，句子长度为6个字，字向量的维度为8

filters=5, kernel_size=3， 所以卷积核的维度为3*8

那么输入6*8经过3*8的卷积核卷积后得到的是4*1的一个向量(4=6-3+1)

又因为有5个过滤器，所以是得到5个4*1的向量

画图如下：

以上这篇关于keras.layers.Conv1D的kernel_size参数使用介绍就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。