卷積神經網絡（CNN）是深度學習中常用的網絡架構，在智能語音中也不例外，比如語音識別。語音中是按幀來處理的，每一幀處理完就得到了相對應的特征向量，常用的特征向量有MFCC等，通常處理完一幀得到的是一個39維的MFCC特征向量。假設一段語音有N幀，處理完這段語音后得到的是一個39行N列（行表示特征維度，列表示幀數）的矩陣，這個矩陣是一個平面，是CNN的輸入。應用在圖像問題上的CNN通常是二維卷積（因為圖像有RGB三個通道），而語音問題上的CNN輸入是一個矩陣平面，可以用一維卷積。本文就講講一維卷積是怎么處理的。

所謂一維卷積是指卷積核只在一個方向上移動。具體到語音上，假設一段語音提取特征后是一個M行N列（M表示特征維度，N表示幀數）的矩陣平面，卷積核要在幀的方向上從小到大移動，下圖給出了示意。

卷積核也是一個矩陣（J行K列）。由于卷積核只在一個方向上移動，要把所有的特征值都覆蓋到，必須卷積核的行數要等于特征值矩陣的行數，即J = M，所以描述卷積核時只需要知道kernel size（即多少列）和 kernel count（即多少個kernel）。

知道kernel size和kernel count后，再來看一維卷積的計算過程，看一個輸入矩陣經過一維卷積后得到的是什么。設定padding模式為same（卷積處理后的輸出矩陣與輸入矩陣有相同的列數），stride為1（kernel一次只移動一格）。假定輸入矩陣為3x5的矩陣，kernel個數為2，kernel size為3，所以kernel是一個3x3的矩陣。輸入矩陣和兩個kernel矩陣的具體值如下圖，兩個kernel的bias分別是2和3。

先看第一個卷積核與輸入矩陣的計算。由于padding模式是same，輸入矩陣左右都要pad。Kernel size是3，所以輸入矩陣左右都要補充1列（用0填充），補充后輸入矩陣變成了下圖。

做卷積時先從左邊的padding處開始，具體如下圖，相對應的位置相乘再相加后，再加上bias就可以了,計算出值為10(0 x 1 + 1 x 0 + 4 x 0 + 0 x 0 + 2 x 1 + 5 x 0 + 0 x 0 + 3 x 0 + 6 x 1 + 2 = 10)。

把卷積核向幀增大方向（即向右）移動一格，如下圖：

同樣方法計算出值為17(1 x 1 + 4 x 0 + 7 x 0 + 2 x 0 + 5 x 1 + 8 x 0 + 3 x 0 + 6 x 0 + 9 x 1 + 2 = 17)。

經過4次移動后就到了右邊的padding處，同樣方法計算。最終得到的是一個1行5列的矩陣，如下圖：

第二個kernel的卷積計算與第一個kernel計算一樣，得到的也是一個1行5列的矩陣。如下圖：

最終一個3x5的輸入矩陣與kernel count為2、kernel size為3的卷積后得到的是一個2行5列的矩陣，如下圖。

可以看出卷積后輸入矩陣的列數不變，行數變為了kernel的個數（這是在padding模式為same、stride為1的case下，其他case行數依舊是kernel的個數，列數會變化，比如stride > 1 或者用上maxpooling后列數會減少，但卷積計算過程是一樣的）。

以上就是一維卷積的處理過程，很簡單的吧。

總結

以上是生活随笔為你收集整理的卷积神经网络中一维卷积的计算过程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。