今天在用keras添加卷積層的時(shí)候，發(fā)現(xiàn)了kernel_size這個(gè)參數(shù)不知怎么理解，keras中文文檔是這樣描述的：

kernel_size: 一個(gè)整數(shù)，或者單個(gè)整數(shù)表示的元組或列表， 指明 1D 卷積窗口的長(zhǎng)度。

又經(jīng)過(guò)多方查找，大體理解如下：

因?yàn)槭翘砑右痪S卷積層Conv1D()，一維卷積一般會(huì)處理時(shí)序數(shù)據(jù)，所以，卷積核的寬度為1，而kernel_size就是卷積核的長(zhǎng)度了，這樣的意思就是這個(gè)卷積核是一個(gè)長(zhǎng)方形的卷積核。

補(bǔ)充知識(shí)：tf.layers.conv1d函數(shù)解析(一維卷積)

一維卷積一般用于處理文本，所以輸入一般是一段長(zhǎng)文本，就是詞的列表

函數(shù)定義如下：

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

)

比較重要的幾個(gè)參數(shù)是inputs, filters, kernel_size，下面分別說(shuō)明

inputs : 輸入tensor， 維度(None, a, b) 是一個(gè)三維的tensor

None ： 一般是填充樣本的個(gè)數(shù)，batch_size

a ： 句子中的詞數(shù)或者字?jǐn)?shù)

b ：字或者詞的向量維度

filters : 過(guò)濾器的個(gè)數(shù)

kernel_size : 卷積核的大小，卷積核其實(shí)應(yīng)該是一個(gè)二維的，這里只需要指定一維，是因?yàn)榫矸e核的第二維與輸入的詞向量維度是一致的，因?yàn)閷?duì)于句子而言，卷積的移動(dòng)方向只能是沿著詞的方向，即只能在列維度移動(dòng)

一個(gè)例子：

inputs = tf.placeholder('float', shape=[None, 6, 8])

out = tf.layers.conv1d(inputs, 5, 3)

說(shuō)明： 對(duì)于一個(gè)樣本而言，句子長(zhǎng)度為6個(gè)字，字向量的維度為8

filters=5, kernel_size=3， 所以卷積核的維度為3*8

那么輸入6*8經(jīng)過(guò)3*8的卷積核卷積后得到的是4*1的一個(gè)向量(4=6-3+1)

又因?yàn)橛?個(gè)過(guò)濾器，所以是得到5個(gè)4*1的向量

畫(huà)圖如下：

以上這篇關(guān)于keras.layers.Conv1D的kernel_size參數(shù)使用介紹就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持我們。

本文標(biāo)題: 關(guān)于keras.layers.Conv1D的kernel_size參數(shù)使用介紹

本文地址: http://www.cppcns.com/jiaoben/python/313960.html

總結(jié)

以上是生活随笔為你收集整理的python内核大小_关于keras.layers.Conv1D的kernel_size参数使用介绍的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。