Conv1D

keras.layers.Conv1D(filters, kernel_size, strides=1, padding='valid', data_format='channels_last', dilation_rate=1, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

1D 卷積層 (例如時序卷積)。

該層創(chuàng)建了一個卷積核，該卷積核以 單個空間（或時間）維上的層輸入進行卷積， 以生成輸出張量。 如果 use_bias 為 True， 則會創(chuàng)建一個偏置向量并將其添加到輸出中。 最后，如果 activation 不是 None，它也會應用于輸出。

當使用該層作為模型第一層時，需要提供 input_shape 參數（整數元組或 None），例如， (10, 128) 表示 10 個 128 維的向量組成的向量序列， (None, 128) 表示 128 維的向量組成的變長序列。

參數

• filters: 整數，輸出空間的維度 （即卷積中濾波器的輸出數量）。
• kernel_size: 一個整數，或者單個整數表示的元組或列表， 指明 1D 卷積窗口的長度。
• strides: 一個整數，或者單個整數表示的元組或列表， 指明卷積的步長。 指定任何 stride 值 != 1 與指定 dilation_rate 值 != 1 兩者不兼容。
• padding: “valid”, “causal” 或 “same” 之一 (大小寫敏感) “valid” 表示「不填充」。 “same” 表示填充輸入以使輸出具有與原始輸入相同的長度。 “causal” 表示因果（膨脹）卷積， 例如，output[t] 不依賴于 input[t+1:]， 在模型不應違反時間順序的時間數據建模時非常有用。
• data_format: 字符串, “channels_last” (默認) 或 “channels_first” 之一。輸入的各個維度順序。 “channels_last” 對應輸入尺寸為 (batch, steps, channels) (Keras 中時序數據的默認格式) 而 “channels_first” 對應輸入尺寸為 (batch, channels, steps)。
• dilation_rate: 一個整數，或者單個整數表示的元組或列表，指定用于膨脹卷積的膨脹率。 當前，指定任何 dilation_rate 值 != 1 與指定 stride 值 != 1 兩者不兼容。
• activation: 要使用的激活函數。 如未指定，則不使用激活函數 (即線性激活： a(x) = x)。
• use_bias: 布爾值，該層是否使用偏置向量。
• kernel_initializer: kernel 權值矩陣的初始化器 。
• bias_initializer: 偏置向量的初始化器 。
• kernel_regularizer: 運用到 kernel 權值矩陣的正則化函數。
• bias_regularizer: 運用到偏置向量的正則化函數。
• activity_regularizer: 運用到層輸出（它的激活值）的正則化函數 。
• kernel_constraint: 運用到 kernel 權值矩陣的約束函數。
• bias_constraint: 運用到偏置向量的約束函數。

輸入尺寸

3D 張量 ，尺寸為 (batch_size, steps, input_dim)

輸出尺寸

3D 張量，尺寸為 (batch_size, new_steps, filters)。 由于填充或窗口按步長滑動，steps 值可能已更改

輸入輸出尺寸的理解

一般在2D卷積中，輸入尺寸很直觀，為 (samples, rows, cols, channels)，即為樣本數，行數、列數和通道數四維信息，但是若以此推斷，在Conv1D總兩維信息就足夠，中間卻夾雜了一個steps,那這個steps如何去理解呢？

理解steps參數，我們應該跳出圖像的思維，1D卷積通常施用在時序數據中，在時序數據的輸入中:

• batch_size: 輸入的樣本數
• steps: 時間維度，個人認為可以理解成量化后的時間長度，也就是多少個時刻
• input_dim: 每個時刻的特征數量

keras Conv1D 一維卷積的輸入維度

報錯情況

expected conv1d_1_input to have 3 dimensions, but got array with shape (1, 56）

問題原因

維數不匹配

解決方法

數組的維數是（1,56），但神經網絡維數與數組維數相反，應該使用（56,1）或（None,1）

同時神經網絡的輸入數據應改成三維，即reshape為（1,56,1）

總結