python keras 一維卷積_CNN中的1維卷積

1維卷積對于處理時間序列資料有重要意義，具體講解如下：

給定一個資料集，資料次元為3000行7列; 3000個樣本，7個特征，5個類别，利用一維卷積進行分類

首先對資料進行處理，将其轉換為3維資料，3000×時間步長×特征數，進而使得資料的格式能被keras接受。這裡取時間步長10

model.add(Conv1D(100,2))

添加第一個一維卷積層，100個卷積核，卷積核大小為2，10－2+1=9，輸出資料9行100列，width為7

model.add(Conv1D(100,2))

添加第一個一維卷積層，100個卷積核，卷積核大小為2，9－2+1=8，輸出資料8行100列，width為7

model.add(Maxpooling1D(3,2))池化核大小為3，步長為2，(8-3＋1)/2=3,輸出資料3行100列，width為7

(疑問:假設池化核為2，步長為2，則(8-2+1)/2=3.5，這時次元有待于keras上實驗)

注意:若model.add(Maxpooling1D(2))，則池化核大小為2，步長也為2。

model.add(Conv1D(160,2))

添加第一個一維卷積層，160個卷積核，卷積核大小為2，3－2+1=2，輸出資料2行160列，width為7

此時卷積核的權重矩陣為100行160列，

2行100列的矩陣與100行160列的矩陣相乘，即可得到2行160列的矩陣

————————————————

版權聲明：本文為CSDN部落客「graceful snow」的原創文章，遵循CC 4.0 by-sa版權協定，轉載請附上原文出處連結及本聲明。

原文連結：https://blog.csdn.net/graceful_snow/article/details/100052732